基于功率预测误差修正的日前风电出力分布估计

风电功率预测是整个风电运行与控制体系的基础支撑技术模块。基于功率预测误差的修正结果,提出了一种风电场日前有功出力分布的估计方法。首先验证了风电功率的预测误差水平受到风速大小的三次方、风电功率的峰度、风电功率的大小和功率预测相关性等多个因素的影响;然后利用多元线性回归法建立风电功率预测误差的估计模型,并对风电场日前的点功率预测值进行修正;最后利用广义误差分布模型估计出风电出力的上下限。以华北地区某座风电场作为测试算例进行分析,验证了该出力分布估计方法的有效性。     

基于改进长期循环卷积神经网络的海上风电功率预测

准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求。针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测。首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别提取不同层次变量的时序特征,并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次,利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次,针对不同的波动类型建立对应的误差修正模型,并输入经Xgboost算法筛选出的强相关特征因子,实现误差修正。最后,采用实际海上风电场数据进行实验,其结果表明所提方法能够有效预测超短期海上风电功率,且预测精度高于多种传统预测模型。     

风电功率及其预测误差概率分布研究

进行风电功率及其预测误差概率分布研究对分析风电功率分布特性有重要意义.以风电功率、日功率波动量均值为指标,统计分析风电在不同时间尺度下的波动概率分布;针对正态分布模型对风电功率及其预测误差分布拟合效果较差问题,利用非参数估计法拟合风电功率及其短期预测误差概率分布,并以残差平方和、相关系数为评价指标,对比不同预测模型和采样间隔对应的拟合效果;基于实测数据的分析结果表明,非参数估计法可以有效拟合风电功率及其短期预测误差概率分布,且具有较好的实用性.     

考虑山东近海不同风能天气特征的风电功率区间预测模型

风电功率区间预测是应对大规模风电机组并网运行的有效手段之一。针对山东风电并网运行建立了一种考虑山东半岛不同风能特征的风电功率区间预测模型。对比了不同风能条件下半岛内风电场出力特征和风电功率历史预测误差分布特点,发现风电场出力分布范围随风速增加呈"先增后减"趋势,在出力分布范围较大的风速区间内,预测误差也相对较大。以风速、风向和预测功率为特征变量,在利用层次聚类法对样本数据进行聚类分析基础上,采用非参量核密度估计方法,建立了各类样本在不同风向条件下风速-风电功率预测误差的联合概率密度分布模型。将该模型与NARX(nonlinear auto regressive models with exogenous inputs)网络确定性风电功率预测结果相结合,得到一定置信水平的风电功率区间预测结果,最后通过实际算例验证了模型的有效性。     

基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测

随着风电在现代电网的渗透率越来越高,电力系统优化运行对风电功率区间预测的可靠性提出了更高要求。现有的风电功率区间预测通常针对历史数据整体的误差,或者基于不同的出力水平进行分类误差建模,难以反映预测模型对于不同风况下的适应性。鉴于此,提出了一种基于数值天气预报(NWP)风速和蒙特卡洛法的短期风电功率区间预测模型。首先,按照NWP风速对历史时段的点预测误差进行层次聚类,利用经验分布模型对不同风况下的误差进行概率分布拟合。然后,对待预测时刻的NWP风速所对应的累计经验分布概率值进行蒙特卡洛抽样,并在给定的置信水平下求取短期内各个待预测时点可能发生的功率波动区间。最后,以中国吉林省某风电场运行数据为例,与常用的概率预测方法相比,验证了所提方法的可靠性。     

基于置信区间估计及储能装置优化配置的风电场可靠出力研究

基于对风电功率预测误差概率分布的分析,采用非参数核密度估计对风电功率预测误差进行置信区间估计,给出风电场在某一置信度条件下实际出力的波动区间。提出基于置信区间估计和储能装置优化配置的风电场可靠出力思想,给出以不同置信度实现风电功率可靠出力时储能装置额定功率和额定容量的确定方法,并对可靠出力思想进行成本和效益分析。算例验证了所提方法的正确性。     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于数据特征提取的风电功率预测误差估计方法

估计风电功率预测误差对电力系统的调度与控制、安全与防御等方面具有重要意义。从风电历史数据和日前预测数据特征提取的角度,研究了日前风电功率预测误差的估计方法。首先,提取并分析影响风电功率预测误差的主要因素,包括风电出力波动程度、风电功率幅值、预测方法等,并通过数据统计分析其相关性。然后,结合风电历史运行数据,采用多元线性回归方法建立风电功率预测误差的估计模型。最后,基于比利时电力运营商Elia公开的风电场实际运行数据,进行了仿真算例分析。所述方法也在中国西北部某省调度系统上应用于备用需求分析,并实现了试运行。     

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计

风电的波动性和不确定性给大规模风电并网带来了挑战,估计风电场上报风电的预测功率误差范围,能够为含风电电力系统的运行调度提供重要信息。因此,提出基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计方法。通过建立隐马尔可夫模型实现一定置信水平下对风电功率误差波动区间的快速估计,并利用局部加权回归散点平滑法对误差区间进行处理。以实际数据为例分析,结果表明所提方法能够给出风电功率预测误差的波动范围,为电力系统的调度与控制、备用容量的配置、风险评估等方面提供更全面的信息。     

基于LSTM和非参数核密度估计的风电功率概率区间预测

高精度的风电功率点和区间预测可以为电网优化配置带来更多信息。提出采用长短期记忆（LSTM）网络实现风电功率的点预测,并基于该网络生成1组风电功率预测误差数据集,采用渐进积分均方误差准则的窗宽优化方法实现非参数核密度的估计,求出不同置信度下的风电功率波动区间。实验基于美国某风电场历史数据,通过与BP, Elman神经网络和SVM对比,验证了LSTM网络预测精度更高;基于LSTM网络预测生成的误差数据集,与高斯模型及随机窗宽非参数核密度估计模型相比,结果说明了所提最优窗宽非参数核密度估计模型具有更贴近真实的预测误差分布。     

基于高斯混合分布模型的风电功率预测误差统计分析研究

针对风电功率预测误差的统计分析,研究了一种基于高斯混合模型的风电功率预测误差分布,采用期望最大化算法,从统计学角度分析了风电功率负荷预测误差数据,并且在理论上证明了该方法的合理性。该方法的优点在于,无论其统计分布是怎样的,所有风电功率预测误差的概率密度函数都可以使用高斯混合模型近似表示,然后进行适当的子模型削减。通过对高斯混合模型与其他各种统计分布模型的性能进行比较,证明了高斯混合模型在风电功率预测误差统计分析应用中的有效性。     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

基于混沌理论的风电功率超短期多步预测的误差分析

风电功率对电力系统的安全运行、合理调度等方面有不可忽视的影响。掌握风电功率预测误差的分布特性,对风资源的大规模开发利用具有重要意义。利用两种混沌预测方法进行风电功率超短期的预测。并且以东北某风电场的实测风电功率数据为例,分析了超短期风电功率预测误差的概率分布、预测误差与超前预测步数之间的关系、预测误差与风电场出力情况之间的关系以及预测误差与装机容量之间的关系。该研究为揭示风电功率超短期多步预测的误差构成及修正奠定了理论基础。     

基于双目标时变交集的电池储能改善风电场出力控制

为了抑制风电随机波动和提高风电超短期预测精度,提出了一种基于此双目标时变交集的电池储能控制方法。首先,分别制定了抑制风电波动、提高风电预测精度的单一控制域及此双目标的交集联合控制域,并在考虑两种单一控制目标的时间尺度不同后,制定了随时间变化的双目标交集联合控制域。在此基础之上,结合储能运行约束条件确定了最终的电池储能改善风电场出力控制策略。其次,首次建立了基于越限比和越限相对均值的波动与预测精度评估指标并形成了双目标综合评估体系。最后,应用某风电场实际出力数据,分别在采用神经网络时间序列和差分自回归滑动平均(ARIMA)两种预测模型的前提下,考虑电网对风电波动忍受度和超短期预测误差忍受度的三种大小关系,通过计算波动量总和与均方根误差验证了所建立评估指标的有效性,同时证实了应用该控制策略的电池储能系统能够同时达到抑制风电随机波动和提高风电超短期预测精度两个目标。     

基于改进KDE法和GA-SVM的多风电场聚合后输出功率长期波动特性预测方法

针对规划期内有新增风电装机容量但没有与其对应的实测风电输出功率数据,导致难以准确把握和刻画规划目标年多风电场聚合后输出功率长期波动特性的问题,提出一种利用改进核密度估计(KDE)法和经遗传算法寻优的支持向量机(GA-SVM)预测多风电场聚合后输出功率长期波动特性的方法。对风电功率的长期波动特性进行刻画,分析在多风电场聚合过程中装机容量与风电功率之间的关系;运用改进KDE法生成多风电场聚合过程中不同装机容量下的输出功率概率密度曲线;采用GA-SVM建立多风电场聚合后输出功率概率密度演变模型;根据概率分布与持续功率曲线的对应关系,对预测出的规划目标年的多风电场聚合后的输出功率概率密度曲线进行反演,得到可描述规划目标年输出功率长期波动特性的持续功率曲线。工程实例证明了所提方法的实用性和有效性。     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。