风电场超短期功率预测及不确定性分析

研究了在不使用数值气象预报的条件下,基于历史数据序列,采用BP神经网络对风电场未来3h功率进行预测.结合多次的计算试验,合理确定了输入神经元参数;提出两种风电场功率预测路线:一种是首先预测每台机组功率,再累加计算风电场功率;另一种是直接计算整个风电场功率.结果表明,第一种预测路线更适合我国风电场集中分布的情况,相对预测误差为9.6％.在此基础上,建立了基于独立分量分析的条件概率计算模型,对预测结果的不确定性进行了分析.     

基于人工神经网络的风电场短期功率预测

基于人工神经网络法(ANN)对内蒙古某风电场短期输出功率进行了预测研究,给出了较详细的实现过程,并比较了单一ANN预测方法和基于物理方法与统计方法的混合ANN预测方法的预测精度.计算结果表明,单—ANN预测方法能快速给出预测结果,但预测精度较低,均方根误差为10.67％;而混合ANN预测方法步骤较多且较费时,但预测精度较高,均方根误差为2.01％,不到单一ANN法的1/5.同时,针对预测过程中小于5m/s的小风速段和大于15m/s的大风速段所呈现的预测误差较小的原因进行了深入分析.     

基于非参数估计的光伏功率短期预测误差分析

光伏功率预测误差客观存在且不可避免,并随着天气类型和预测方法的不同,呈现出多种分布形式。提出一种基于非参数估计的光伏功率短期预测误差分布模型,以中国新疆某实际光伏电站为例,对3种天气状况和3种预测方法组合下的9个误差序列的分布特性进行分析,并与常用的正态分布、Logistic分布、高斯分布以及t-Location scale分布做比较。结果表明,横向及纵向误差均为最优,验证了所提模型在不同天气类型和预测方法下的有效性和普适性。     

基于波动特性挖掘的短期光伏功率预测

综合考虑光伏功率受气象因素影响所呈现出的规律性和波动性,对光伏功率波动类型进行划分与聚类识别提出一种基于波动特性挖掘的短期光伏功率预测方法,。在此基础上,利用数值天气预报和基于互信息熵的相关性分析法提取各类功率波动对应的天气波动特征及其强相关气象因子,建立基于波动特性挖掘的长短期记忆网络组合预测模型,挖掘天气波动与光伏功率波动之间的潜在映射规律。最后,识别出待测日天气波动类型与预测模型之间的匹配关系,利用组合预测模型实现光伏功率预测。通过对中国西北地区某光伏电站的预测分析,验证了所提预测方法的有效性。     

基于KPCA-RF的风电场功率预测方法研究

为了提高风电场输出功率的预测精度,文章提出了一种核主成分分析与随机森林相结合的预测方法。利用核主成分分析从多种气象数据中提取出最主要的影响因素,将这些因素作为预测模型的输入,采用随机森林算法进行功率预测。实测运行数据的实验结果表明,文章算法具有较高的预测准确性。     

双重不确定性预测下风电场超短期有功优化控制

针对风电场并网友好性提升问题,提出考虑风速预测不确定性和风电机组有功特性不确定性的风电场发电能力评估方案。对风速超短期预测误差和风电机组在各风速区间的出力特性进行双重不确定性分析并建立概率分布模型,进而利用贝叶斯网络构建风电机组超短期出力的双重不确定性概率预测模型。基于风电场各风电机机组超短期出力概率预测模型,以最大概率跟踪电网调度指令为目标设计场站功率分配策略。算例分析表明,所提考虑双重不确定性的概率预测模型对机风电组有功的概率分布描述更准确,该模型在场站控制中可有效提升电网功率指令的完成水平。     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于物理原理的风电场短期风速预测研究

对符合功率预测要求的短期风速预测进行研究,提出了基于物理原理的预测方法,该方法以数值天气预报(Numerical-Weather-Prediction,NWP)风速为输入数据,采用粗糙度变化模型与地形变化模型反映风电场局地效应对大气边界层风的影响;通过与不同风况下的实测风速进行比较,表明预测结果基本能满足预测精度的要求,但预测准确性会随风速变化剧烈程度的增强而有所降低;根据误差分析,NWP风速的准确性是影响预测结果的最主要因素。     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

风电场短期风速预测方法研究

随着风力发电的快速发展,并且风力发电系统的出力与风电场风速存在着的特殊关系,使得对风电场的风速实现较准确的预测已逐步成为研究的热点。该文先提出一种简单的的风速预测方法,即将指数平滑法应用到风速预测,并验证了指数平滑法预测风速的可行性。此外,为了提高预测精度,还提出了两种新的组合预测的方法,即基于指数平滑和灰色模型(GM)的组合预测方法、基于自回归滑动平均(ARMA)模型和灰色模型的组合预测方法。实例计算结果表明,组合预测方法比单独的用一种方法的预测效果要好,尤其是基于自回归滑动平均模型和灰色模型的组合预测方法更具有优势。     

风电场短期功率预测水平提升举措措施研究与实例分析

风力发电作为一种随机性、波动性、反调节性的新能源电源形式,随着其电网渗透率逐年攀升,给电网安全调度运行带来了安全隐患,尤其电网峰谷时段的调峰工作受到了安全性和经济性的双重压力。以提升风电场功率预测准确率、降低电网安全运行风险为出发点,综合分析了影响短期功率预测水平的技术因素和非技术管理因素,提出了预测水平提升的关键举措措施,并以实际工作案例为样本,验证了预测水平提升关键举措措施的有效性和实用性。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

基于预测误差分布优化模型的风电功率超短期概率区间预测研究

提出一种基于预测误差分布优化模型的风电功率概率区间预测方法。由于风功率数据存在显著的时间相依结构,该方法首先对预测功率按出力不同进行划分,以划分区段内的预测误差为统计样本,分别采用多种分布模型拟合误差概率密度,通过拟合指标选择优化模型,进而求解该分布模型的累积概率,并通过计算指定置信水平下的置信区间进行概率区间预测。利用性能指标比较典型单一分布模型和优化模型的预测结果,表明基于优化模型的概率性预测区间覆盖率更高、平均带宽更窄、精度更好、效果更优。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于EMD-RVM的风电场机组分组功率预测

通过识别不同风电机组的相似性将风电场内各机组区分为不同的机组群,对每组机群分别建立功率预测模型,既提高了计算效率,又改善了大型风电场短期功率预测精度,较好解决了风电波动性和间歇性对电力系统安全运行的影响.提出了一种基于戴维森堡丁指数与聚类算法的风电场机组分组功率预测方法,以实际测量风速,测量功率以及两者的组合作为机组分...     

考虑风功率分布特性的风电场变压器选型方法

风电场变压器选取直接影响风电场投资建设与运行的经济性及安全稳定性。针对该问题,以考虑风功率分布规律的思想,指导风电场变压器选型。首先研究风功率分布规律与变压器运行经济性,包括风功率分布的时间与空间特性、单台与双台变压器在不同工况下的运行特性及相互间的对比分析;继而在此基础上,给出风电场初始规划及后期扩建规划中的变压器选型方案,从而使变压器选取达到规划以及运行中的经济最优,在实现其最优化运行的同时亦可提高其运行可靠性。文中依据现场规划中遇到的实际问题构建了具体算例,通过算例说明与结果分析进一步验证了所提方法的可行性与有效性。     

基于非线性预测控制的风电场功率提升控制

随着大型风电场的快速发展,减小尾流效应造成的风电场能量损失成为研究热点之一。针对风电场实际运行中的风速变化以及尾流延时问题,基于尾流延时模型,建立考虑时间变量的风电场功率预测模型。以风电场输出功率最大化为目标,设计了非线性预测控制器,该控制器采用非线性预测模型,并采用PSO算法对预测时域内的性能指标进行优化,得到各台风机的控制值。基于Sim Wind Farm软件对该控制策略进行验证,并与传统风电场控制策略进行仿真比较,结果表明,这种新控制策略可以有效提升风电场的总体功率。     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。