风电功率预测误差分段指数分布模型

风电预测存在较大误差,对于风电场和电网调度人员而言,预测的不确定性信息比单纯的功率预测值更有指导意义。基于对中小规模风电场短期和超短期功率预测误差分析,提出风电功率预测误差分段指数分布模型,并进行分段指数分布概率密度函数及概率分布函数推导,采用非线性最小二乘法进行参数估计。实例分析中,通过模型精度指标和曲线拟合效果对比了分段指数分布模型与传统误差分布模型,论证了分段指数误差分布模型较传统模型在精度、灵活性方面的优势。     

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...     

风电功率预测误差的风险评估

归纳对风电功率预测误差的评估指标要求,以及常用评估指标的缺陷。在区分风电功率预测正误差及负误差对电力可靠性不同影响的基础上,提出基于风险的评估指标及计算方法。针对由预测误差而定义的功率扰动事件,取该事件的概率及其一旦发生后的损失的积分值为指标。该指标具有货币的量纲,可以作为误差的风险成本而与其他成本直接累计。从而消除了面对小概率大误差算例,在\"不必考虑小概率事件\"与\"必须重视高损失事件\"之间权衡的困惑。结合宁夏某风电场的实际算例验证了其可行性与有效性。     

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。     

典型风电场风电功率预测误差研究

比较了风电场并网功率的预测值与实际值,研究了风电场并网功率日预测误差概率及最大日预测误差、风电场并网功率实时预测误差概率分布、风电场预测数据的均方根误差和风电场风功率预测误差的分布特性,并提出了利用储能系统减小风功率预测误差,提高风电功率预测精度。     

短期风电功率预测误差分布研究

短期风电功率预测一直是风电领域的研究热点,提出采用带位置和尺度参数的t分布描述风电功率预测的误差分布。分别采用差分自回归移动平均模型和BP神经网络,根据风电场实测数据进行功率预测,对两种预测模型产生的误差进行分析,验证了带位置和尺度参数的t分布可以有效描述预测误差分布。短期风电功率预测研究发现,带位置和尺度参数的t分布对误差的拟合优度高于正态分布,其各项参数可作为评价预测算法准确度的指标,通过分析分布参数可以直观了解预测算法的性能。     

分布函数差异化导向的风电功率预测误差气象条件概率建模方法

从统计学角度分析条件概率分布的差异性对于随机决策问题的重要性,并提出一种分布函数差异化导向的风电功率预测误差气象条件概率建模方法。以预测误差概率分布总体差异程度最大化为目标,利用改进的K-means算法进行气象数据聚类,并基于聚类结果对风电功率预测误差数据进行分箱;采用通用分布拟合不同气象模式的误差概率密度,得到解析化的风电功率预测误差气象条件概率分布。利用支持向量机实现气象模式识别,从而基于数值天气预报为调度计算提供相应气象模式下的误差条件概率模型。以中国华北地区某风电场历史数据为例,验证了所提方法的有效性,且相较于不考虑气象的简单统计频次模型,所提模型可使系统的风电消纳水平得到有效提升。     

基于自适应扩散核密度分布的风电功率预测误差分析研究

针对风电功率预测误差多变分布特点,提出一种基于自适应扩散核密度分布的风电功率预测误差概率模型。利用将高斯核函数转换为线性扩散过程的自适应扩散核密度预测误差分布模型,并采用渐进均方积分误差法为扩散核函数选取自适应最优带宽,提高了风电功率预测误差拟合的局部适应性;其次,分析自适应扩散核密度分布模型在不同预测方法、不同装机容量和不同采样周期下对风电功率预测误差的拟合效果,并与高斯等混合参数模型和固定带宽核密度模型进行对比,验证了所建模型在不同情况下的适用性。     

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。     

基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

基于扩展序列运算的含风电电力系统随机潮流实用计算方法

为提高随机潮流计算方法实用性,将序列运算理论引入随机潮流分析,探索一种系统随机变量分布模型未知情形下的随机潮流方法。结合随机潮流计算的特点,分析现有序列运算理论直接应用于随机潮流计算的可行性,并据此对现有序列运算进行扩展。基于所提扩展运算,采用扩展概率性序列描述系统随机性并基于历史数据实现随机变量的序列化,通过各变量对应概率性序列的直接运算快速分析系统潮流分布情况,以克服现有求解方法对基础数据要求过高的不足。IEEE-30节点系统测试表明,所提方法可实现系统随机变量概率分布模型未知情形下的随机潮流计算,可达到较高精度,且速度较快。该方法具有一定的实用价值,也可为面临相同问题的电力系统其他不确定性分析提供借鉴。     

风电场输出功率的概率分布及其应用

从研究风电场接入电力系统的角度研究风电场功率输出特性具有实际意义，章描述了风电场功率特性，分析了风电场的功率输出概率分布和多个风电场的联合输出功率特性，并给出了其在电力系统分析中的应用。     

风力和光伏发电短期功率预测研究进展与展望

风能和太阳能发电具有较强的波动性和间歇性,其输出功率随机变化会对供电质量和电力系统安全稳定运行带来诸多不利影响,进行风力、光伏短期功率预测具有重要意义。针对此,对风力和光伏发电短期功率预测方法和研究进展进行评述,并对提高光伏发电预测精度的不确定性理论进行了探讨,最后指出今后风力、光伏发电短期功率预测的研究方向及发展趋势。     

基于小波-神经网络的风速及风力发电量预测

风能作为可再生清洁能源已得到世界各国的广泛应用。由于风速的不确定性,给保障风力可靠性发电带来了一定的困难。提出了一种较为准确的小波–神经网络法预测风速。该方法利用小波函数将原始波形进行不同尺度的分解,将分解得到的周期分量用时间序列进行预测,其余部分采用神经网络进行预测,最后将信号序列进行重构得到完整的风速预测结果。在神经–网络学习过程中加入了微分进化算法,提高了其收敛速度,解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。     

考虑大规模风电并网的电力系统旋转备用容量优化模型

随着风电穿透功率的增加,电力系统的运行风险不断提高,传统的确定性旋转备用容量配置方法存在较大的局限性。在研究风电出力概率分布特点的基础上,建立了风电机组可靠性模型;计及风电出力预测偏差、负荷预测偏差、常规发电机组故障停运等不确定因素,兼顾系统运行的经济性和可靠性,提出了考虑大规模风电并网的电力系统旋转备用容量优化模型。通过算例分析验证了该模型的合理性和有效性。对含风电场的电力系统运行具有一定的参考价值。     

基于风速随机性的风储系统并网优化模型

针对储能系统能够对能量起到时间迁移作用,风储联合运行系统得到了广泛的关注。基于风电功率概率分布特征,建立了一个以风储系统的收益最大化为目标函数的概率并网模型。利用风速Weibull函数,推导出了储能系统功率在不同概率参数和不同并网方式下的概率分布函数。根据概率论区间估计方法,对风储系统中储能系统容量进行了计算和确定。最后,通过仿真软件,对储能容量确定方法和系统概率并网模型进行仿真,分析了不同概率参数和不同并网方式对储能容量和系统模型的影响,同时,验证了该模型和方法的可行性和正确性。     

基于小波神经网络的风电功率预测

风力发电是新能源发电中技术之一,对促进电力工业调整、减少环境污染、推进技术进步具有重要意义.然而,目前风力发电的大规模使用还存在一定的难度,开展风电场功率预测的研究势在必行,基于小波理论及神经网络的方法,开展相应的研究.     

基于风电功率预测的电网调度优化控制研究

近年来,由于山西电网风电装机不断翻番,大规模风电并网后对电力系统调峰造成一定程度的压力。电力系统运行既要充分利用风力发电产生的清洁电源,又要保证其他常规电源的安全稳定。传统的调度运行技术不考虑短期和超短期的风电功率预测,通过分析风功率预测与调度关系,然后重点阐述了如何通过超短期风功率预测来协调风电与常规电源的运行,最后通过整数规划将风电场优化控制作为落脚点,从而保证了电网安全、稳定、经济的优化运行,进一步加大电网对清洁能源的消纳。     

风电功率波动特性的概率分布研究

波动性是风电功率的固有特性,如何定量地描述风电功率的波动性尚缺乏有效方法。基于大量实测数据的分析,发现可以采用带移位因子与伸缩系数的t分布(t location-scale)描述风电功率波动特性的概率分布。分析表明:风电功率的min级分量约占风电场装机容量的2%~5%;多个风电场输出叠加在一起后可以有效减小min级分量的比例;风机类型对风电波动特性的影响很小,而风电场当前风电出力则对风电波动特性几乎无影响。带移位因子与伸缩系数的t分布还适合于描述风电场相邻时间间隔平均功率变化的概率分布,时间间隔加长后,由于风速相关性减弱,相邻时段平均功率的波动特性增强。