基于风过程方法的风电功率预测结果不确定性估计

以我国多个地区实际运行风电场为研究对象,以实现风电功率预测结果不确定性较优估计为目的,提出了基于风过程方法的风电功率预测结果不确定性估计方法,并给出了各风过程的数学模型。采用风过程方法和功率水平划分方法划分预测误差数据,可有效识别不同特性预测误差。采用非参数回归方法拟合误差概率密度分布,获得了较优的拟合结果。根据实际风电场数据验证文中方法的先进性,其与基于正态分布优化拟合的估计方法的比较结果表明,文中方法的各项评价指标均优于后者。     

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。     

基于数据挖掘和模糊聚类的风电功率实时预测研究

准确的风电功率预测是实现风能大规模开发利用的有效手段,实时预测能够滚动地修正日出力计划曲线,保证电力系统运行的安全性和经济性。在分析风电场不同机组出力特性的基础上,利用数据挖掘和模糊聚类技术将不同的机组进行分类,并分别进行实时预测,将预测结果进行累加得到最终的预测结果。以中国吉林省某风电场的实测风电数据为例,进行了实时预测,结合国家能源局对风电功率实时预测预报管理要求中的指标进行了分析。结果表明,所提出的方法准确率最大提高2.57%,合格率最大提高4.23%,均方根误差最大下降3.21%,说明了该方法的有效性。     

基于新型多维功率趋势聚类的风电功率预测方法

为解决传统聚类算法对风电功率序列趋势特性的挖掘与利用较少,且对不同风电场进行可调节设计不足的问题,提出了一种基于新型多维功率趋势聚类的风电功率预测方法.该方法首先提出一种多维功率趋势相似距离度量方法,其中包括风电功率序列波动程度、波动时间及数值维度共3个维度的度量,对风电数据中的趋势特性进行挖掘;然后,采用提出的严格系...     

以预测区间边界为约束的风电功率场景预测方法

针对现有不确定性预测方法存在保守性大而造成对系统调节能力要求较高的问题,提出一种区间估计和场景分析相结合的风电功率预测方法,首先通过区间估计得到以给定置信度包含未来风电功率真实值的短时波动区间,然后筛选出历史日中各时段落在区间包络线内的风电场景样本,再对筛选出的样本基于均值聚类算法进行缩减从而得到各时段的预测场景。最后通过风电预测算例和风火联合优化算例,证明了方法的可行性和有效性。     

短期风电功率预测误差综合评价方法

对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提.当前风电功率预测误差评价主要采用均值类指标,无法全面、准确反映预测系统的运行情况.文中总结了风电功率预测误差的主要存在形式,提出了一套包含纵向误差、横向误差、相关因子与极端误差等在内的综合评价方法.基于内蒙古某风电场实际数据,采用该方法对不同预测方法、预测系统的不同误差环节进行了较为全面的评价,验证了评价指标的指导价值.     

基于FKNN算法的风电功率短期预测

风电场输出功率预测精度的提高能够极大的减轻风力发电对电网的冲击,提高风电并网的安全性和可靠性。针对KNN(K-Nearest Neighbor algorithm)算法存在的不足进行改进,提出了FKNN(Fast K-Nearest Neighbor algorithm)算法并将其应用到风电短期功率预测当中。首先,FKNN算法基于相似数据原理,针对每个预测样本,只需遍历一次训练样本集,得出K值最大时的相似历史样本优先级队列。然后,通过逐渐缩减优先级队列的长度,产生其他K值对应的相似样本优先级队列。其次,从产生的优先级队列中获取多数类样本,并应用其输出功率的平均值对预测样本的输出功率进行预测。最后,通过对吉林省某风电场的大量历史数据进行预测分析,充分证明该算法的简单性和实用性。     

考虑气象特征与波动过程关联的短期风电功率组合预测

为解决短期风电功率预测关键气象因素提取难、天气波动过程与功率波动过程匹配性差的问题,提出了一种考虑气象特征与波动过程关联的短期风电功率组合预测方法。首先,通过最大相关-最小冗余原则得到数值天气预报的气象特征因素来划分天气波动过程。其次,考虑天气波动过程与功率波动过程的关联关系,建立了以气象特征因素为输入、以风电功率为输出的波动过程关联的短期组合预测模型。最后,将不同天气波动过程下的风电功率预测值在时序上进行重新组合,以得到波动过程为输出的短期风电功率预测结果。实际算例表明,采用气象特征因素作为输入以及面向波动过程关联的组合预测方法能够明显地提高短期风电功率的预测精度。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

基于误差叠加修正的改进短期风电功率预测方法

对风电功率进行较为准确的预测是合理调整含有风电的电力系统或微电网系统的调度策略,提高其运行稳定性与经济性的有效手段。在分析传统风电功率预测过程的基础上,从基本预测方法在功率预测过程中的使用策略角度出发,提出了不依赖于基本预测方法的新的改进预测思路。在这种改进方法中,增加了误差预测模型,对传统方法的预测值所包含的误差值进行预测,并将通过误差预测模型得到的预测误差与传统方法的预测值叠加作为改进方法的最终预测结果,并以反向传播(BP)神经网络作为基本预测方法对实际风电场进行实例验证分析。计算结果表明:提出的改进风电功率预测方法能够较大幅度地提高预测精度;提出的改进思路和传统改进思路不同,并不涉及基本预测方法内部特性且无需引入其他辅助方法,因而具有良好的通用性。     

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。     

基于统计聚类分析的短期风电功率预测

考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类。根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本。运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性。运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持。     

基于非参数核密度估计与数值天气预报的风速预测修正方法

提出一种风速预测偏差修正方法。建立基于非参数核密度估计的风速修正模型,利用预测点之前一段时间内风速的初始预测误差来估计预测时刻的预测误差,从而对初始风速预测结果进行修正;结合数值天气预报法建立风速相位误差修正模型,有效减小风速预测的相位误差,在一定程度上防止风速突变拐点处"误修正"的出现。某地区实际风速数据的预测仿真结果表明,所提方法可有效降低初始风速预测偏差。     

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。     

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

基于稀疏编码的短期风电功率时间序列预测

针对短期风电功率时间序列,提出一类基于字典的稀疏编码预测方法。为构建预测模型,将历史风电功率时间序列数据组成具有时延的输入-输出数据对,其输入与输出数据向量以原子形式分别构成两个字典,无需模型的训练阶段。针对待预测的时延输入数据向量,使用1l范数或弹性网络正则化的稀疏分解凸优化算法计算稀疏编码的权值,进一步借助历史输出数据所构成的字典,以得到相应的预测输出。与此同时,还分析了将测试数据实时加入字典,并维持字典容量不变的三种自适应更新策略,以进一步提升模型的预测精度。为了验证该方法的有效性,将不同的稀疏编码方法首先应用于Santa Fe混沌时间序列预测中,其次,将其分别应用于短期风电功率间接预测中,在同等条件下,与SVM方法进行了比较。结果表明,不同的稀疏编码方法均取得了很好的预测效果,其中基于弹性网络正则化的稀疏编码方法具有较高的预测精度,显示出其有效性。     

基于贝塔分布的风电功率波动区间估计

风电的大规模并网使得风电功率的波动性对电网的影响越来越大,单一且确定的点预测往往不能满足电网风险分析和制定决策的需求。通过对风电功率预测误差分布特性的研究,提出利用预测功率区间分段方法与参数优化后的贝塔分布对具有偏态性的功率预测误差频率分布进行拟合。同时根据估计区间最狭原则,实现一定置信水平下风电功率的波动区间估计。利用所建优化模型、正态分布模型和优化前的贝塔分布模型分别对某风电场历史数据进行分析,对比结果验证了优化贝塔分布模型能更有效地对功率预测区间进行估计。     

储能电池平抑风功率波动策略

为了平抑风功率波动,并优化风电场出力特性,基于双电池组拓扑结构的电池储能系统(Battery Energy Storage System, BESS)提出了在短期内平抑风功率波动的新型控制策略。该策略基于即时控制策略,把未来风功率波动对当前储能电池充放电行为的影响纳入考虑范围。双BESS则根据策略需求进行充电或放电,任一电池组电量达到满充或满放,则两组电池的工作状态同时切换。在新型控制策略中通过风电预测并结合滚动优化法实现双BESS动态控制。实践表明该策略在风电出力特性上不仅取得了较好的平抑效果,而且能降低因储能容量不足引起的瞬时大功率波动。在电池特性上,由于采用双BESS,很大程度上降低了电池充放电次数,延长了电池寿命。     

基于自适应扩散高斯核密度风电预测误差估计的 风火联合优化调度研究

随着风电大规模并网,风电出力不确定性增加了电力系统调度的难度。针对风荷不确定性对电力系统调度的影响,采用迭代自组织数据分析算法对风电功率预测值及对应风电功率预测误差进行分段。然后采用自适应扩散高斯核密度估计拟合分段后各风电功率区间段内的预测误差。在此基础上,提出一种整体考虑风电及负荷预测误差得到净负荷预测误差、并将净负荷预测误差计入正负旋转备用容量概率约束的优化调度模型。采用机会约束规划将概率约束转换为等价确定性约束进行求解。在IEEE39节点系统进行三种代表性场景的算例仿真,结果表明引入迭代自组织数据分析算法和自适应扩散高斯核密度估计后,备用成本降低6.71%,含碳排放的环境成本降低20.4%,总发电成本降低2.98%。最后分析了置信水平对备用容量和总发电成本的影响。