基于ASD-KDE算法的超短期风电出力区间预测

为提高含风电场电网经济调度能力并降低电力系统规划决策的保守性,提出了基于原子稀疏分解-核密度(atom sparse decomposition-kernel density estimation, ASD-KDE)算法的超短期风电出力区间预测模型。该模型应用ASD计算出较为精确的点预测值,并采用粒子群优化正交匹配追踪算法提高原子分解过程的预测实时性。同时针对风电序列不同区域所具有的线性及非平稳特性,构建了衰减线性原子库及Gabor原子库,以期达到自适应分解的效果。再通过对原子分量和残余分量分别进行自预测和BP(back propagation)神经网络预测,获得点预测值。在此基础上,通过对历史风电数据不同区间的划分,构建一维核密度估计模型,逐步滚动获取预测值的置信区间,从而降低了环境变化对预测结果的影响。实际风电场算例验证了所提方法的自适应性、快速性及有效性。     

基于风电预测误差区间的动态经济调度

由于风电的预测值与实际值存在偏差,含风电的动态经济调度需考虑风电预测的不确定性。根据风电场的历史预测误差数据,提出利用核密度估计建立某预测值条件下的误差概率分布,并以高斯核函数为例推导了相应的误差置信区间,将动态经济调度中涉及的不确定性问题转换为确定性区间问题,降低了调度模型的复杂度。实际数据分析表明核密度估计具有较高的拟合优度,能够避免高估或低估误差。最后通过含风电场的IEEE 30节点系统仿真验证了所提方法的有效性。     

基于原子稀疏分解理论的短期风电功率滑动预测

采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解(ASD)法,作为人工神经网络(ANN)的前置分解方法,将风电功率序列分解为原子分量和残差分量,对原子分量进行自预测,残差分量进行ANN预测,再通过追加最新的风电功率实时数据来更新ASD的结果,进而滑动预测下一个时刻的风电功率。以实际风电场数据进行验证,结果证明了该模型可以有效地处理风电功率非平稳性,产生更为稀疏的分解效果,显著地降低了绝对平均误差、均方根误差计算值的统计区间。     

基于PSO-OMP优化的WD-ASD超短期负荷预测

为提高负荷预测精度,降低电力系统规划决策的保守性,本文提出了一种基于小波-原子稀疏分解(WD-ASD)的超短期负荷预测模型。该模型使用模糊聚类算法提取相似日为历史数据,采用小波分解(WD)作为前置环节,以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子稀疏分解(ASD)预测模型,分别对负荷的高低频分量进行预测,并将结果相加得到最终预测值。其中ASD分解过程由正弦原子库自适应匹配分解完成,并将粒子群算法(PSO)和正交匹配追踪(OMP)算法相结合以增强原子稀疏分解能力。实际负荷数据算例验证了所提方法的自适应性、快速性及有效性。     

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。     

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。     

基于条件分类与证据理论的短期风电功率非参数概率预测方法

提出了一种基于稀疏贝叶斯分类与Dempster-Shafer(D-S)证据理论的短期风电功率概率分布非参数估计方法,预测时间尺度为48 h。该方法首先通过支持向量机(support vector machine,SVM)对风电功率进行点预测;进而将SVM预测误差的范围离散为多个区间,通过建立稀疏贝叶斯分类器对SVM预测误差落入各预定区间的概率进行估计。然后应用D-S证据理论对所有区间对应的概率估计结果进行整合,得到SVM预测误差的整体概率分布。最后叠加误差分布与SVM预测的风电功率值,得到风电功率的概率分布结果。该方法基于稀疏贝叶斯架构构建,具有高稀疏性,确保了模型的泛化能力与计算速度。该方法还系统地计及了风电场输出功率必须满足在[0,GN](GN为风电场装机容量)内取值的边界约束,使预测结果更加符合实际。以某74 MW的风电场为例对上述方法进行了验证,结果表明了该方法的有效性。     

基于Bagging混合策略的多风电场稀疏向量自回归概率预测

风电功率预测对电力系统的安全稳定运行具有重要意义。针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,?KDE)的稀疏向量自回归预测方法。首先通过时间序列分解和余项自举,生成若干自举时间序列。对于每个时间序列,采用向量自回归(vector autoregression,?VAR)模型进行预测。针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵。每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果。在真实风电集群数据上,验证所提多场站概率预测方法的有效性,采用分位数得分评估概率预测精度。相关实验结果表明,该方法可以有效提高概率预测精度。     

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VMD与改进QRGRU的超短期风电功率概率预测

风电功率概率预测是分析未来风电功率不确定性的有效方法之一。为提高风电功率概率预测精度,文中提出基于变分模态分解(VMD)与改进门控循环单元分位数回归(QRGRU)的超短期风电功率概率预测方法。首先,采用VMD将原始风电功率序列分解成不同特征的模态函数;然后,对每个模态函数分别建立基于QRGRU的概率预测模型,并将变量间的网络结构约束作为目标函数的惩罚项,改进QRGRU权重在迭代修正过程中的平稳性;最后,在不同分位数条件下叠加各个模态函数预测值,并采用非参数核密度估计方法得到未来风电功率的概率密度函数。结合某风电场实测数据开展具体算例分析,结果表明所提方法能够兼顾区间覆盖率,减少区间宽度,在不同预测步长中均能表现较好的预测效果。     

消纳大规模风电的鲁棒区间经济调度:（一）调度模式与数学模型

大规模风电接入给电力系统调度运行带来挑战。传统的确定性调度方法没有合理地考虑风电的不确定性,因此无法保证系统的安全运行。面向日内的有功调度,文中提出一种利用风电预测区间的鲁棒风电调度模式,使得风电场尽可能运行在最大功率点追踪模式,该模式具有控制灵活和可操作性强的特点。基于该调度模式,建立考虑自动发电控制(AGC)调节响应的鲁棒区间经济调度模型及其等价二次规划模型。最后,在改进的IEEE 24节点系统上进行蒙特卡洛仿真并与传统调度方法对比,验证了所提出的经济调度方法的鲁棒性、可靠性和经济性。     

计及风电预测可靠性的含风电电力系统优化调度模型

针对风电随机性对电力系统安全、经济运行的影响,在考虑风电预测可靠性的基础上,建立含风电的电力系统优化调度模型。将实际风电出力看作随机变量,并通过混合Copula函数对历史风电场出力及其对应预测值建立相关性模型;在得到预测出力后,通过相关性模型获得风电实际出力分布概率;采用机会约束规划建立含风电的电力系统经济调度模型,并在保证系统可靠性的条件下优化风电计划出力。最后通过改进粒子群优化算法求解模型,结果表明该模型和算法可行且有效。     

计及风电不确定性的随机安全约束机组组合

随着风电接入电网的比例不断提高,风电的不确定性对电力系统的运行调度提出了严峻挑战。将满足一定置信水平的风电区间预测信息纳入到日前调度计划中有助于提高系统的安全性和经济性。为此提出了基于风电区间预测信息的随机安全约束机组组合模型(stochastic security-constrained unit commitment,SSCUC)。该模型将风电的不确定性用1个确定的预测风电场景和2个极限风电场景来表示,简化了问题的复杂度。同时,该模型引入了潮流约束和网络安全约束,保证了调度结果的可行性。为求解该模型,提出了基于广义Benders分解的计算方法。该方法将SSCUC问题分解为一个主问题和2T(T为调度周期)个约束潮流子问题,并通过交替迭代的方式获得原问题的最优解。4机9节点系统和改进118节点系统的计算结果验证了所提模型和算法的有效性。     

考虑风电接入的电力系统鲁棒经济优化调度

鉴于风力发电具有很强的随机性和波动性,含风电调度系统中,应用传统预测区间来描述其不确定性的方法存在缺陷。针对该问题,通过引入弃风限制对风电场的风电出力预测区间进行优化,得到能够保证调度系统安全运行的风电安全出力区间;在此基础上,建立双层鲁棒区间优化调度模型,使得常规机组的运行成本和风电场的弃风成本最小,并分析了系统爬坡备用对风电安全出力区间的影响。由于考虑了常规机组的阀点效应,模型呈现非线性特点,采用改进的教与学优化算法和线性规划法相结合的求解方法对模型进行求解。最后,采用改进的10机系统验证了所提模型以及求解方法的有效性和优越性。     

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要.非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用.文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测.首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间.以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性.     

风电场短期功率预测

风电场输出功率的预测对大规模风电接入电力系统运行有非常重要的意义。针对现有各种预测方法预测精度不高的问题,提出了一种基于相关向量机-马尔科夫链的风电短期功率预测方法。首先,运用相关向量机原理,得到原始预测模型;之后,使用马尔科夫链原理对误差进行修正,结合最小二乘法得到风电场短期功率预测-误差修正模型;最后,将该方法用于实际风电场的短期功率预测,其平均相对误差达到7.2%。研究结果表明:所提的预测方法能够满足电力系统调度对风电场短期功率预测的要求。     

基于EWT和分位数回归森林的短期风电功率概率密度预测

概率密度预测能够给出未来风电功率可能的波动范围、预测值出现的概率及不确定性等更多信息,提出基于经验小波变换(EWT)和分位数回归森林的短期风电功率概率密度组合预测模型。首先,采用新型自适应信号处理方法——经验小波变换,将原始风电功率序列分解为一系列频率特征互异的经验模式;然后,对每一经验模式序列分别构建分位数回归森林预测模型,得到任意分位点条件下的预测结果,通过叠加不同经验模式预测结果获得最终的短期风电功率预测值;最后,对预测值条件分布采用核密度估计获得任意时刻概率密度预测。仿真结果验证了所提模型的有效性。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。