基于FT-GT模型的风电短期功率预测

随着风电接入规模的增加,风电功率预测日益重要。研究了一种基于分形理论(FT)与灰色理论(GT)模型相结合的短期风电功率预测新方法。建立了基于分形理论的风力发电功率预测模型,并对模型进行了求解。使用灰色理论对分形模型的分维数进行优化,提高模型预测精度。使用FT-GT模型和灰色模型两种方法进行预测,并利用真实数据进行预测同时与实际值做出比对分析。仿真结果表明,该风电功率预测方法相对灰色模型具有较高的预测精度。     

我国第一个完全智能风电调度系统建成

从西北电网公司获悉,西北电网风电调度自动化系统日前通过了国家电网公司组织的试点工程验收,该系统可完成风电从预测、运行监视控制、运行数据分析评估的全过程管理,标志着西北风电进入了精细化     

我国首个智能风电调度系统建成

西北电网风电调度自动化系统日前通过了国家电网公司组织的试点工程验收,该系统可完成风电从预测、运行监视控制、运行数据分析评估的全过程管理,标志着西北风电进入了精细化调度运行新阶段。     

我国首个智能风电调度系统建成

西北电网风电调度自动化系统日前通过了国家电网公司组织的试点工程验收,该系统可完成风电从预测、运行监视控制、运行数据分析评估的全过程管理,标志着西北风电进入了精细化调度运行新阶段。     

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。     

风电场出力特性及风速超短期预测研究

风电出力具有随机性和波动性特点,通过开展风电特性分析及风电场出力预测,可以减轻风电不确定性对电网的影响。分析了风力发电特性,概述了风电出力预测方法,并建立基于误差校正的BP神经网络模型来进行风速预测,实例计算分析结果表明,该模型有效提高了预测精度。     

西北电网风电调度自动化系统通过验收

2011年9月8日，西北电网风电调度自动化系统通过了国家电网公司组织的试点工程验收，该系统可完成风电从预测、运行监视控制、运行数据分析评估的全过程管理,标志着西北风电进入了精细化调度运行新阶段。     

大规模风电并网的电力系统运行灵活性评估

电力系统具有足够的灵活性对于接纳风电等可再生能源至关重要。为实现包含高比例可再生能源的未来清洁电力系统,亟需建立一套充分考虑风电波动性和随机性的电力系统运行灵活性定量评价指标体系。基于电力系统灵活性的定义和原理,提出了一套考虑大规模风电接入的电力系统灵活性定量评估指标体系,并基于蒙特卡洛模拟法和经济调度模型,提出了实用化的指标计算方法。该模型能够考虑风电及负荷的不确定性,并计入了风功率预测误差的时间相关性,从而反映了负荷不确定性和风功率预测不确定性对灵活性指标的不同影响原理。采用我国西北某电网实际风电场数据对所提算法进行了仿真分析,证明了风电不确定性和负荷不确定性对灵活性的影响存在本质区别,并定量研究了不同因素对灵活性指标的影响。     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

考虑网内外功率特性的含风场电网日内发电需求滚动预测

由于自然风力、风向的不确定,大规模风场并网运行使得电网和风电调度的难度增大,在最大功率跟踪模式下,更加准确地预测发电出力是重要课题。考虑风场传统日前负荷预测时间尺度较大导致风场实时调度困难的实际,提出了一种在基于日内风场出力的发电需求滚动预测方法,以多级时间尺度为预测依据,建立了考虑风电接入的理想发电需求预测模型,提出了该模型下的滚动预测算法,并结合实际风场数据进行了实际预测,结果表明,提出的预测方法、模型和算法能明显提高发电需求预测精度,为大型风场的科学调度提供了决策依据,具有一定理论价值和工程应用价值。     

组合模型在风电场发电功率短期预测中的应用

随着风力发电的不断发展以及大规模风电场的建设,风电场发电功率的短期预测对于其发展起着至关重要的作用.提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合支持向量机模型,建立了组合预测模型.通过对结果进行对比分析,显示组合模型可以提高短期发电功率预测准确度,更好地满足实际现场需要.     

基于改进k-means聚类的风电功率典型场景在日前调度中的应用

针对含风电电源的电网日前调度优化问题,应用聚类分析获得风电功率典型场景进行风电功率预测,并将预测结果用于日前调度优化具有重要意义。提出一种基于改进k-means聚类算法的风电功率典型场景生成方法,对周期内的风电数据通过场景生成和缩减,得到少数几个能反映周期内历史数据特征的风电功率典型场景集;然后以系统运行成本最小为目标,建立适应风电接入的日前机组组合模型,模拟风电接入后电力系统实际运行情况。最后通过算例比较风电功率点预测、区间预测和典型场景预测在电力系统日前调度中的经济运行优化结果,验证了所提方法的有效性和实用价值。     

基于多位置NWP和门控循环单元的风电功率超短期预测

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响.为充分利用NWP信息,考虑多个风电场的空间相关性,提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型.首先,通过随机森林分析多位置NWP信息对风电场发电功率的重要程度,利用累积贡献率提取NWP中的有效信息,将加权的NWP信息与历史功率数据作为预...     

基于小样本集的网侧风电功率预测方法

风电功率预测多采用统计预测模型,为了达到可接受的预测精度,需要大量的历史数据对模型进行训练,不适用于缺少历史数据的新建风电场,为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据,运用支持向量机方法建立了网侧风电功率预测通用模型,并用此通用模型对风电场功率进行初步预测;在通用模型预测的基础上,利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正,从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性,实际预测精度较好,说明该方法适于历史数据样本较小的风电场的功率预测,能够减少功率预测中统计预测方法对数据的依赖。     

基于时间序列的多采样尺度风电功率多步预测研究

风力发电联网运行是实现风能大规模开发利用的主要途径,准确的风电功率实时预测是实现风能大规模合理调度的有效手段。文章建立了基于时间序列的多采样尺度风电功率多步预测模型。对于周期分量利用建模域均值法进行预测,剩余分量通过平稳性检验后利用多采样尺度时间序列法进行预测。利用两个不同风场的实测风电功率数据,进行不同时间段的实时预测,与持续法和时间序列法的滚动预测模型相比,该预测模型能有效地提高预测精度。     

基于KPCA-K-means-GRU的短期风电功率预测研究

风能间歇性和波动性的特点给电网的平稳运行造成了很大的挑战,导致电网企业限制风电并网,造成弃风行为。因此,实时有效地预测风力发电情况对风电开发和电网的平稳运行至关重要。在分析当前多种预测方法后,提出了基于核主成分分析K均值聚类-门控循环单元(KPCA-K-means-GRU)的短期风电功率预测模型。多维数据能够较好地还原实际物理状态,但过高维度的数据会带来维数灾难。因此,利用非线性的KPCA在保留高维数据信息的同时降低数据维度。随后借鉴负荷预测相似日思路,将降维后的数据通过K-means进行无监督聚类以建立不同的预测模型来提高预测精度。最后分别训练不同类别数据的GRU神经网络参数,进行分类预测以获得更合适的网络模型。     

基于DSA功率预测模型的风电分层有功调度控制策略

为了增强含高渗透率风电电网的消纳能力,提高控制精度与运行经济性,提出了一种改进的基于双层递阶自适应模糊系统（double stage hierarchical ANFIS（adaptive neuro-fuzzy inference system）,DSA）功率预测模型的风电分层有功调度控制策略。将有功调度分为系统层、风电场群层、分群子场层、风机机组层与反馈校正层,结合DSA模型对风电场超短期风电功率进行预测,考虑电网与机组安全运行等约束条件,给出了各个层级之间的协调控制关系与每个层级相应的功率分配方法,同时以滚动优化对误差进行校正。最后通过算例对所提控制策略的有效性进行分析验证,结果显示,所提控制策略在功率波动较大情况下其控制精度高,并且能有效减少风机启停次数,降低系统网损。     

基于RNA-CS混合算法优化的风光发电预测模型研究

提出一种基于RNA-CS混合算法优化的预测模型,优化布谷鸟算法,权衡全局搜索和局部搜索。结合某地区风力和光伏发电实际,对一天中的风速和福射进行测量。采用基础遗传算法、基础布谷鸟算法与RNA-CS混合算法进行仿真对比研究。结果表明,RNA-CS混合优化算法对比其他两种算法模型,对风电、光伏发电具有更精确的预测结果,能够有效的保障电力系统稳定运行。     

风电场风功率实时预测效果综合评价方法

超短期风电功率预测对含大规模风电的电力系统安全经济运行有着重要意义。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。