基于厚尾均值广义自回归条件异方差族模型的短期风电功率预测

风电功率预测准确度的提高对提高电力系统调度效率具有重要的作用。基于对风电功率时间序列波动性的研究,推广了一种厚尾均值广义自回归条件异方差(GARCH-M)族短期风电功率预测模型,同时,基于波动补偿项的不同形式,将模型拓展为多种类型的厚尾GARCH-M模型。该类模型能够捕捉风电功率时间序列波动性与其条件均值的直接关系,并能够有效刻画具有高峰度特征的实际风电功率序列的厚尾效应,使风电预测准确度提高。结合江苏地区风电场风电功率实际数据,对所提厚尾GARCH-M模型进行了参数估计,论证了存在于风电时间序列中的GARCH-M效应和厚尾效应,给出了风电功率均值和条件方差的预测方案。算例分析结果验证了所提方法的可行性和有效性,表明了考虑厚尾特征的GARCH-M族模型短期预测效果满意。     

基于祝制转换非线性模型的短期负荷预测

研究了负荷时间序列波动性,提出了一种基于机制转换非线性模型的短期负荷预测方法。在二阶矩层面建立了标准机制转换非线性模型（LSTAR）,有效地解决了TAR模型的问断点问题。提出了基于厚尾假设的机制转换模型。借助模型的不对称参数,分析了不同性质冲击下的不同机制。用实际算例验证了该方法的可行性和有效性,并比较了模型的预测能力,得到厚尾LSTAR模型效果最优。     

风电功率GARCH预测模型的应用研究

根据风速变化的特点, 选择了适于描述波动变化特性时间序列的GARCH方法。分析风速小时变化曲线的残差项, 发现其存在着ARCH效应, 满足ARCH的建模条件。采用美国夏威夷岛Lalamilo的风速数据, 建立了ARCH和GARCH风速变化时间序列模型, 预测日的日逐点预测误差的平均值为25.1%。经过与ARIMA算法的比较, 预测的精度有所提高。运用风电机组出力与风速的关系, 转换后得到了所需要的风电机组出力。对集群性不同的时间序列进行了多次数值计算, 发现GARCH模型对波动性序列具有更好的适应性。     

风电功率GARCH预测模型的应用研究

根据风速变化的特点,选择了适于描述波动变化特性时间序列的GARCH方法.分析风速小时变化曲线的残差项,发现其存在着ARCH效应,满足ARCH的建模条件.采用美国夏威夷岛Lalamilo的风速数据,建立了ARCH和GARCH风速变化时间序列模型,预测目的日逐点预测误差的平均值为25.1%.经过与ARIMA算法的比较,预测的精度有所提高.运用风电机组出力与风速的关系,转换后得到了所需要的风电机组出力.对集群性不同的时间序列进行了多次数值计算,发现GARCH模型对波动性序列具有更好的适应性.     

一种基于核空间局部离群因子的离群点挖掘方法

提出了一种基于核空间局部离群因子（KLOF）的离群点挖掘方法。该方法通过核函数将数据集映射到特征空间,然后在特征空间计算每个模式的局部离群因子。该方法继承了基于密度的局部离群因子（LOF）的优点,可以定量地描述每个模式的离群程度;同时又克服了LOF的不足,对线性不可分的数据,可以取得比较好的分析结果。通过两个仿真的和两个真实的数据集对KLOF及LOF方法进行了比较,结果表明,KLOF具有适应的数据集范围宽,识别率高等优点。     

一种快速的离群点检测方法

离群点检测已在许多领域得到了广泛的应用,支持向量数据描述(SVDD)是一种流行的离群点检测方法,但其训练阶段需要二次规划求解,以及决策阶段计算与支持向量数量呈线性关系等导致该方法具有较高时间复杂度。本文提出了一种快速SVDD离群点检测方法,首先在训练阶段利用训练集约简和二阶逼近的序列最小优化(SMO)算法降低训练时间,然后在决策阶段通过分析决策函数表达式,利用获取超球球心原像的方式降低决策时间,使得该方法的时间复杂度显著降低。利用标准的公用数据集验证提出的方法,结果表明该方法的时间复杂度明显优于传统的方法。     

基于集合论估计的电网状态辨识 (四)离群点识别

首先从相容性的角度,对离群点的性质进行分析,提出不相容离群点和相容离群点的概念,并指出可能的离群点集合应包含不相容离群点和相容离群点两类离群点。进一步,提出状态辨识中离群点识别的两步法,即先识别出所有可能的不相容离群点集合,而后对可能的相容离群点进行筛分。对于不相容离群点,结合电力系统多层多级的网架结构,提出分层分级的不相容离群点搜索算法,使得搜索过程局部化,从而减小搜索空间,提高搜索效率。对于相容离群点,提出基于灵敏度的识别方法,可有效识别对解集影响最大的相容离群点,避免搜索起作用测点带来的组合爆炸问题。     

基于广义自回归条件异方差偏度峰度模型的风电功率预测方法

通过对风电功率时间序列条件偏度、条件峰度时变性的分析,提出一种基于广义自回归条件异方差偏度峰度模型的风电功率预测新方法。针对风电时间序列高阶条件矩时变性的检验问题,提出链式检验新方法。结合模型参数估计,提出一种实用化参数约束处理方法,提升了参数估计效率。基于江苏某风电场的实际数据,分析该风电时间序列的时变条件矩,并使用修正Gram–Charlier级数的拟极大似然估计获取GARCHSK模型参数。风电功率预测结果表明所提方法的可行性和有效性。     

考虑可中断负荷与阀点效应的电力系统安全经济调度

由于风电并网给电力系统可靠运行带来新的挑战,针对风电波动性与随机性的特点,在考虑系统安全性和可靠性的基础上,研究含风电场的电力系统安全经济调度。基于条件风险约束安全经济调度模型,分别建立考虑可中断负荷和阀点效应的条件风险约束安全经济调度模型,以IEEE-14节点为计算实例,测试模型的有效性。算例结果表明,将可中断负荷补偿成本和发电机组阀点效应成本计入传统的经济调度模型中符合系统的实际运行,在新建立的模型中考虑可中断负荷和阀点效应因素使原模型更具实际意义和应用价值。     

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。     

一种风光联合出力概率模型建模方法

随着风电和光伏等新能源渗透率的逐年提高,其波动性和随机性对电力系统的安全稳定运行产生重要影响。考虑风电和光伏在时空上的波动性和相关性,提出基于混合高斯模型的多时空尺度的风电—光伏联合概率建模方法。该方法首先基于历史数据的数理统计结果,提出三阶混合高斯模型。使用K-means聚类方法求得模型各参数的迭代初值,运用最大期望算法求取混合高斯模型参数最优值。该模型具有同时考虑风电和光伏相关性和波动性的优点。以我国东南地区风电场和光伏实际数据为例进行仿真。仿真结果表明,所提出的3阶混合高斯模型对风光联合出力的概率特性具有良好的拟合效果。     

基于NARX及混沌支持向量机的短期风速预测

风速预测精度的提高,对降低风力发电成本、合理安排风场选址等方面有着积极作用。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。首先,针对风速数据序列具有混沌性而对预测结果产生影响的问题,采用C-C法确定相空间重构中所需参数。与此同时,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。之后,将该模型与EGARCH模型以及具有外生输入的非线性自回归网络(NARX)模型的预测结果进行对比。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌时间序列的支持向量机模型对NWTC m2气象站所在地风速具有最佳预测效果。     

应对风电功率爬坡事件备用需求分析和预防控制

针对风电功率爬坡事件会严重影响系统有功平衡,甚至导致频率越限或失负荷等问题,提出一种应对风电功率爬坡事件的备用需求分析方法和预防控制策略。首先,基于序列运算理论将爬坡事件在时序上的概率预测结果转化为各时间断面上爬坡量的概率分布,并在此基础上结合风险可接受程度对系统备用需求进行了分析。然后,提出一种应对爬坡事件的预防控制策略,过程中不断根据最新的爬坡事件预测信息对调度计划进行调整,调整量包括风电场减载量、常规机组计划出力和备用容量。以含风电场的IEEE-RTS24为例对所提模型进行了仿真验证,结果表明该方法可对爬坡事件作用下系统运行风险进行准确评估,并可将风险控制在可接受范围内。     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

基于改进的RMC-分散式小型风电场并网仿真研究

针对分散式小型风力发电场,提出了一种改进的RMC(Reduced matrix converter)结构。其特点为:永磁直驱风力发电机之间进行直流并联,母线电压经过含高频变压器的DC-DC结构进行升压。采用直流并联,减少了风力发电的随机性和波动性,对电网电压、频率的影响较小;而DC-DC升压结构代替换流站,较适用于分散式小型风力场。为有效实现发电机的切、并网,设计了对发电机输出电压瞬时采样,来判断发电机整流器侧是否连接到直流母线的断路器模型。基于Matlab/Simulink仿真平台搭建了一组永磁直驱风力发电机、PWM整流器、断路器及含高频变压器的DC-DC仿真模型,并进行了1或2台发电机在母线已并有2、5或8台发电机的情况下切、并直流母线与升压的仿真分析。结果表明,在理想状态下,该模型可以实现1或2台的风力发电机切、并直流母线与升压,且7台运行时效果较好。     

基于APSO-GSA和相关向量机的短期风电功率预测

精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机(RVM)理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法(GSA)缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法(APSO)的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。     

基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法

为实现高精度的短期风速预测,提出一种基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法。在信号处理阶段,利用时变滤波经验模态分解技术将原始风速序列分解为若干子模式以降低其不稳定性。然后采用混合粒子群算法对每一个子模式进行特征提取,接着利用多分位鲁棒极限学习机分别建立预测模型并利用混合粒子群算法进行参数优化,最后对每个子模式的预测值进行聚合计算得到最终的预测结果。仿真结果表明:在考虑使用混合粒子群算法进行特征提取和模型参数优化后,所提方法具有更高的预测精度。同时基于时变滤波法的经验模态分解技术能够进一步提高预测准确性。     

考虑自组织临界条件的区域电网风电极限渗透功率评估方法

随着电力系统中风电装机容量的不断增长,如何评估已有区域电网的最大风电极限渗透功率成为了一个重要问题。通过分析复杂电力系统的自组织临界性,提出了基于区间最优潮流的连锁故障模型来评估系统风电极限接入容量的新方法。该方法将风电出力的波动性建模为区间数,通过区间连锁故障模型模拟在风电比例不断增长情况下的电网连锁故障概率与连锁故障规模的规律,获得电网出现自组织临界特性时的风电渗透平均功率,并以此作为电网的最大风电渗透容量。通过在IEEE30节点系统和IEEE118节点系统上的仿真实验,验证了该方法可合理地测量电力系统的极限风电接入容量。     

Asymmetric GARCH type models forasymmetric volatility characteristics analysisand wind power forecasting

Wind power forecasting is of great significance to the safety, reliability and stability of power grid. In this study, the GARCH type models are employed to explore the asymmetric features of wind power time series and improved forecasting precision. Benchmark Symmetric Curve (BSC) and Asymmetric Curve Index (ACI) are proposed as new asymmetric volatility analytical tool, and several generalized applications are presented. In the case study, the utility of the GARCH-type models in depicting time-varying volatility of wind power time series is demonstrated with the asymmetry effect, verified by the asymmetric parameter estimation. With benefit of the enhanced News Impact Curve (NIC) analysis, the responses in volatility to the magnitude and the sign of shocks are emphasized. The results are all confirmed to be consistent despite varied model specifications. The case study verifies that the models considering the asymmetric effect of volatility benefit the wind power forecasting performance.     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。