基于主成分分析和谱聚类的短期风功率预测

风电场的大规模建设使得风电渗透率大大提高,为保证系统的安全稳定运行及风电消纳,需要对风电功率进行预测。为解决传统预测方法中数据维度过高的问题,提出一种基于主成分分析和谱聚类进行数据降维的预测方法。首先,基于主成分分析提取风电场各机组功率序列的主成分,实现对功率样本信息和预测对象的降维;其次,考虑风速波动特性和各机组的空间分布特征,对风速信息进行谱聚类,以实现样本数据的进一步降维;然后,基于风功率主成分信息与风速聚类结果,建立基于Elman神经网络的风电功率主成分预测模型,并通过逆变换最终得到风电场各机组功率的预测结果。利用江苏南通某海上风电场实际数据验证该方法,结果表明,预测结果的均方根误差明显降低,所提方法可以提高风电功率预测精度。     

基于HS-Clustering的风电场机组分组功率预测

为了寻求风电场功率预测精度和计算效率二者的平衡,提出了一种基于霍普金斯统计量与聚类算法(HSClustering)的风电场机组分组功率预测方法,该方法将霍普金斯统计量与聚类算法的优势有效结合,采用霍普金斯统计量确定场内机组分组个数,通过聚类算法识别不同机组的相似性将风电场分成不同的机组群,然后对每组机群分别建立功率预测模型,从而叠加得到整场输出功率;另外以实测风速、实测功率及二者组合作为机组分组模型输入,分析其对预测精度的影响程度。实例分析表明基于HSClustering的分组预测方法可以显著提高预测精度,同时保证较高的计算效率;风速是影响分组效果的主要因素,对于某些分组模型,功率又可以作为风速的重要补充。     

基于特征聚类的区域风电短期功率统计升尺度预测

区域风电功率预测对于保障风电消纳及电网安全经济运行具有重要意义。由于新建风电场在并网初期尚未建立预测系统及各风电场预测精度参差不齐,经典的单场功率累加法预测精度并不高。提出一种基于风电功率数据特征聚类的区域风电功率统计升尺度预测方法,首先使用经验正交函数(empirical orthogonal function,EOF)法解析区域内风电出力特征,然后采用层次聚类法划分子区域,并利用风电场的相关系数和预测精度选取代表风电场,最后根据代表风电场的预测功率及权重系数完成区域风电功率的升尺度预测。应用冀北电网2015年的实际数据进行统计升尺度建模和方法验证。结果表明,相比累加法,文中提出的统计升尺度方法可改进区域风电功率预测精度,同时减少区域预测模型对单风电场数据完备性和预测精度的依赖。     

聚类分析在短期风电功率预测模型中的应用

风电场安全稳定运行的关键是对风电利用率进行精准预测.针对短期功率预测方法模型等技术对输入数据处理有待于改善的情况,根据风速和风电功率的日相似性,在风电场输出功率的短期预测技术上,提出了将聚类分析方法应用于神经网络预测风电功率模型.所提出的数据处理方法及结合神经网络模型已形成软件产品,结合数据聚类处理方法的风电预测模型,与传统持续模型相比,功率预测误差大大减少,预测精度明显提高,同时验证了方法的有效性.     

基于数据驱动的双馈风电场经VSC-HVDC并网次同步振荡影响因素分析

双馈风电场经柔性直流(VSC-HVDC)并网的振荡数据中蕴含大量信息,这些信息能够反映不确定因素对系统次同步振荡的影响。提出了基于数据驱动的方法分析风速和风电场出口电流波动的不确定因素组合对次同步振荡的影响。首先,对系统振荡数据按风速进行分段,运用基于Nuttall窗插值的FFT识别功率数据中与小信号分析结果相对应的次同步振荡分量并提取幅值。然后,利用高斯混合模型(GMM)聚类算法对因素组合进行聚类,通过三种内部有效性指标评价聚类效果。最后,从次同步振荡分量幅值变化的角度分析了风速/电流波动聚簇对次同步振荡的影响。结果表明：在振荡影响因素组合聚类方面,所提GMM方法相比于K-Means具有更好的聚类效果。当风速/电流波动因素组合属于部分聚簇时,会恶化系统次同步振荡。     

基于集合经验模态分解和编码器-解码器的风电功率多步预测

准确的风电功率预测对于推动风电大规模并网具有积极意义,现有的研究多集中于超短期范围内的单步预测。为了实现更加贴近工程应用实际的风电功率多步预测,提出了一种基于集合经验模态分解和编码器-解码器的风电功率多步预测方法。首先采用k均值聚类算法对风电机组进行聚类,然后引入集合经验模态分解算法对机组群功率序列进行分解,从而提取风电场功率的时空分布特征,通过预先搭建的基于门控循环单元的编码器-解码器预测网络实现风电功率的超前多步预测,最后将各预测值重构获得风电场总功率的预测值。利用某风电场的真实数据进行算例分析,结果表明所提算法在超前1～6 h不同应用场景下的预测性能均优于其他传统模型,预测准确度提升了6.45%～13.56%。     

基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

基于NWP单点聚类分析与BP神经网络的短期风电功率预测

采用学习方法建模进行短期风电功率预测时,模型的输入数据一般为数值天气预报(NWP),输入数据的选取对模型的准确性起着很重要的作用。通过单点聚类对风电场的历史NWP数据进行聚类分析,从中寻找与预测日单点NWP最相近的样本,运用神经网络建模对预测日的短期风电功率进行预测并对某风电场发电功率预测进行仿真实验,与未对NWP数据进行聚类处理的预测对比,证明了该方法的可行性和有效性。     

多风电场功率时间序列的时空相关性统计建模和运行模拟方法

在风电场时间序列统计建模中需要同时计及多风电场功率的空间相关性和功率时间序列在不同时间尺度的相关性.提出了一套层次化的多风电场时间序列数据挖掘与统计建模方法.首先将日功率曲线聚类为不同的模式类,并统计多风电场模式的联合分布,识别强相关风电场群.然后建立单变量马尔科夫链模型描述功率曲线模式的日间转移.最后按联合模式划分子...     

基于实测数据的风电场风速-功率模型的研究

建立准确的风电场模型是风电接入系统相关研究的基础。首先通过对某双馈风电机组的标准功率特性曲线和实测风速-功率散点图进行对比,针对它们之间的差异问题,建立基于实测运行数据的风电机组风速-功率模型。其次,针对地形复杂、机组排列不规则的大型风电场风速差异性问题,利用K-means聚类算法对风电场内所有风电机组按实测风速数据进行聚类划分,建立了整个风电场的等效风速模型,进而给出了基于实测运行数据的风电场风速-功率模型。然后,以某实际风电场为例,对该风电场内的风电机组按风速进行K-means聚类划分,结果显示该划分结果与简单按地理位置的机群划分结果有明显差异。最后,对传统的风速-功率模型和所提出的风速-功率模型输出结果进行比较,结果证明所提出的模型相对于传统模型而言,准确性有了较大的提高。     

基于时空相关性的风电功率超短期自适应预测方法

为了充分并有效地利用大量风电场之间的时空相关性,在提高风电功率预测精度的同时保障计算效率,提出一种基于时空相关性的风电功率超短期自适应预测方法。以向量自回归模型为基础,对区域内大量风电场之间的时空相关关系进行表征。为减小因空间信息冗余造成的目标风电场预测模型过拟合,引入稀疏化建模技术来优化参考风电场数据的权重系数。此外,采用递归估计算法对预测模型进行自适应训练。根据最新实测功率数据实时更新预测模型系数,不仅可以动态适应预测环境的变化,还可以分散计算负担。采用某区域内100个风电场的实际数据对预测方法进行分析和验证。结果表明,相对于对比方法,所提出的预测方法具有更高的预测精度,且能够降低对密集型计算资源的需求。     

基于经验Copula函数的多风电场出力动态场景生成方法及其在机组组合中的应用

随着大规模风电接入电网,风电功率的随机性与波动性以及多风电场出力的相关性使得电力系统的运行与调度面临着新的挑战。引入经验Copula函数表征多风电场联合出力分布;对风电的波动性进行建模,利用ksdensity函数拟合风电功率波动量,通过逆变换抽样的方法生成符合风电随机性和波动性的场景集合;生成基于经验Copula函数的多风电场出力动态场景,并将其应用于含多风电场的电力系统随机机组组合问题的求解。算例结果验证了所提风电波动性建模方法的有效性与动态场景生成方法的可行性,同时提高了含多风电场电力系统运行的经济性。     

基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。     

基于因果正则化极限学习机的风电功率短期预测方法

随着风电并网比例的逐年提高,电力系统对风电功率预测的准确性和稳定性提出了更高要求。对于同一风电场而言,为了避免不同特征选择方法所选择的风电场特征子集不同,从因果关系的角度出发,提出了一种基于因果正则化极限学习机(causal regularized extreme learning machine, CRELM)的风电功率短期预测方法。首先将极限学习机(extreme learning machine, ELM)建模为结构因果模型(structural causal model, SCM),在此基础上计算隐藏层神经元与输出层神经元之间的平均因果效应向量。然后将该平均因果效应向量与输出层权重相结合构成因果正则化项,在最小化训练误差的同时最大化网络的因果关系,以进一步提升模型的预测准确性和预测稳定性。最后,以国内蒙西某风电场数据为例,与采用特征选择或不采用特征选择的预测模型相对比,验证了所提方法的有效性和适用性。     

考虑风电场时空相关性的多场景优化调度

相邻风电场出力由于地理环境与气候条件相似而具有较强的相关性,因此构建风电相关性模型以及合理的调度模型对大规模风电并网意义重大。基于混合Copula函数和连续马尔科夫链模型构建多维时序风速相关性模型,并根据抽样产生的大量模拟场景聚类生成典型场景;构建基于场景分析的机组组合两阶段调度模型,以得到满足所有典型场景的机组启停和各场景的调度方案,并根据典型场景与模拟场景的偏差基于机会约束理论设定模型中的风电备用需求系数,以提高系统运行的可靠性与经济性。以10机2风电场系统为例进行仿真分析,结果验证了所建模型的有效性。     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

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。     

京津唐电网风电场群发电功率短期预测

随着风电大规模并网,加强区域性风电场群的发电功率预测对于地区电网的安全稳定经济运行具有重要意义。根据京津唐地区风电场群的特殊性,首先用物理建模方式建立风电场的短期风力预测模型,并将统计升尺度技术与物理模型相结合,以提升预测模型精度的稳定性;之后,采用三层体系架构建立京津唐电网风电功率预测系统,且实现了工程应用。运行结果表明,该方法可以更准确地预测京津唐地区风电发电功率,大幅提升京津唐电网风电消纳能力,有效提高电网调度精益化水平。     

基于风场景识别的动态风电功率概率预测方法

传统风电功率预测是确定的、静态的、非条件性的,无法代表不同外部状态的发电过程,缺失预测误差的概率性信息。针对上述问题,提出了一种动态的基于风场景识别的风电功率概率预测方法。首先建立基于K means的风场景识别模型,根据风速和风向识别自然风特征,据此划分风电场风况类别。然后针对各风况类别建立基于相关向量机的概率预测模型。在实际预测中,根据实时风况动态调整概率预测模型参数。以中国西北某风电场为例进行验证,结果表明,该方法提高了单点预测精度、概率预测可靠性和技术分数、运行效率,为预测细化建模提供新的解决思路。