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。     

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。     

基于条件生成对抗网络的风电功率极端场景生成

针对风电功率不确定的电力系统调度和规划问题,提出了一种极端场景生成框架。首先,采用迭代方式对历史数据集的分布进行转移,解决了历史数据集中极端样本不足的问题。其次,根据风电功率特征定义不同的极端度量,并对风电功率场景设置不同的极端度量范围,实现不同极端度量范围下的可控生成,增强场景生成的可解释性。然后,通过条件生成对抗网络实现极端场景的可控场景。最后基于风电功率实时数据进行验证。结果表明：所设计的框架不需要复杂的概率建模和采样过程,同时可以捕捉到不同极端情况下的随机特性和动态特性。所提出的方案生成场景的极端度量值准确率在90%以上,能够在可控的极端度量范围以及误差范围内有效生成场景。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。     

以预测区间边界为约束的风电功率场景预测方法

针对现有不确定性预测方法存在保守性大而造成对系统调节能力要求较高的问题,提出一种区间估计和场景分析相结合的风电功率预测方法,首先通过区间估计得到以给定置信度包含未来风电功率真实值的短时波动区间,然后筛选出历史日中各时段落在区间包络线内的风电场景样本,再对筛选出的样本基于均值聚类算法进行缩减从而得到各时段的预测场景。最后通过风电预测算例和风火联合优化算例,证明了方法的可行性和有效性。     

短期风电功率动态云模型不确定性预测方法

高比例风电并网场景下,电力系统优化运行势必对风电功率预测精度及其不确定性分析结果的可靠性提出更高要求。现有的不确定性预测研究中大多为整体性的误差分析与建模,难以满足模型在各个时刻和各类天气下的适应性。因此,提出了动态云模型的短期风电功率不确定性预测方法。首先,建立各个预测功率区间段内的单点预测误差云模型,利用云模型数字特征(期望、熵、超熵)生成云滴分布图,以此量化预测不确定性态势。然后,计算给定置信水平下的云滴分位点,以及与之相对应的预测功率可能发生波动的置信范围,即风电功率预测不确定性分析结果。根据实时条件更新云模型,可以提高各个运行时刻点不确定性预测结果的可靠性。以中国北方某风电场运行数据为例进行验证,结果表明与传统的分位数回归方法相比,所提方法可靠性有所提升,能够为电力系统调度决策、备用安排等提供更为可靠的指导信息。     

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。     

风电功率概率预测方法及展望

风电功率的概率预测能提供风电功率的预测区间或分布函数,国内相关的研究和应用尚处于起步阶段。文中对风电功率概率预测的基本框架、主要模式、难点和热点进行了综述。首先,明确了概率预测的概念及其适用问题。然后,对概率预测的建模方法提出了两种不同的分类方式:按照是否进行条件化假设或参数化假设进行分类,并介绍了概率预测中涉及的新型算法和概率预测的评价指标。最后,结合概率预测发展现状,针对误差分析不精细、概率预测与电力系统结合不充分等不足,总结了今后的发展方向和需要进一步探索的研究内容。     

基于局部极差变化率的风电功率波动定量刻画

针对目前风电功率波动性研究中缺乏对其时序演进特征定量刻画的问题,对风电场实测功率数据样本进行分析,提出一种基于局部极差变化率的风电功率持续波动状态的识别方法,提取风电若干个持续出力状态以描述风电功率的持续波动特征。以用来衡量局部极差变化率的幅值和相角为模型输入量,建立灰色多目标决策模型,通过兼顾幅值的变化和相角的变化以寻找模型次优解的方法挖掘出具有代表性的幅值和相角,进而定义表征波动的量即波动系数,并以此来量化风电功率在某一时间段内的波动。给出了使用波动系数修正现行风电场预测预报考核指标的方法。     

基于通用分布的含风电电力系统随机动态经济调度

随着风电大规模并网,其不确定性给电力系统经济调度带来了新的挑战。文中利用通用分布模型拟合不同风电功率预测水平下的实际风电功率分布,并以此建立了考虑风电低估、高估成本的日前动态经济调度的随机优化模型。通过对目标函数和约束条件的转化与分析,将随机优化模型转化为一个非线性凸优化问题。结合二次规划算法和内点法,提出了一种两阶段优化算法用以求解对应的经济调度问题。最后,在含风电场的IEEE 30节点系统上,验证了所提基于通用分布的随机动态经济调度方法的有效性。     

风力发电同时率与控制风电出力的研究

张家口地区风力发电不断发展,负荷远不能平衡风电出力.风电发电潮流反送到变压嚣,导致变压器满载甚至超载,给电网设备安全及调度运行带来了很多的困难.通过对典型月份各风场发电同时率的分析,进而研究地区负荷情况、风电发电出力与限制风电出力之间的关系,得出具体控制出力的结论,从而为调度运行人员提供切实可行的理论依据.     

考虑风电出力波动性的发电调度

提出了一种基于混合整数线性规划(MILP)的随机优化方法,来求解考虑风电出力不确定性、以总运行成本最小化为目标的机组组合优化问题.为计及风电的波动性,采用时间序列分析自回归滑动平均(ARMA)模型和拉丁立方采样(LHS),将随机优化模型转化为确定性模型,通过场景削减技术来解决场景数量很多时的计算量庞大问题.采用10机组和100机组系统对所提出的方法进行了模拟测试.仿真结果表明:计及风电出力不确定性后,系统总的运行成本趋于增加;非风电机组的爬坡速度和风电预测精度对所提出的算法的计算效率有明显的影响;将风电作为旋转备用资源可以明显降低系统总的运行成本.     

基于模糊控制的风光储发电系统输出功率平滑控制

鉴于太阳日照和风能的间歇性和随机性使光伏发电和风力发电输出功率随日照强度的变化而波动,在分析了光伏发电特性、风力发电特性和飞轮储能特性的基础上,提出一种基于模糊控制的风光储混合发电系统输出功率平滑控制方案。以某典型日为算例,仿真观察和分析风光储混合发电系统的飞轮转速、输出功率及平滑因数,并与无飞轮储能系统、简单飞轮储能系统两种情况进行比较。仿真结果显示,基于模糊控制的风光储混合发电系统输出功率得到平滑控制,平滑因数约6×10-9,几乎可忽略不计。仿真结果表明所提控制方法能有效抑制风光储混合发电系统输出功率的波动。     

风电场及机组出力损失计算模型与方法

提出了一种风电场及机组出力损失计算模型与方法。利用风电机组的历史运行数据建立风速、风向与功率间的专家数据库,基于该数据库建立风电机组出力损失计算模型,将机组故障或弃风期间的实测风速和风向代入该模型,计算得出风电机组以及该风电场的实时功率损失及在某时间段内损失的发电量。通过利用现场数据模拟计算,验证了该计算模型与方法的有效性,可对各种原因造成的机组出力损失做出准确计算。该方法既可提高风电场的运行管理水平,还可为风电场参与电网调峰调频提供准确的数据支持。     

风力发电对电力系统的影响

风力发电依赖于气象条件,并逐渐以大型风电场的形式并入电网,给电网带来各种影响。电网并未专门设计用来接入风电,因此如果要保持现有的电力供应标准,不可避免地需要进行一些相应的调整。讨论了在风电场并网时遇到的各种问题。由于风力发电具有大容量、动态和随机的特性,它给电力系统的有功/无功潮流、电压、系统稳定性、电能质量、短路容量、系统备用、频率和保护等方面带来影响。针对这些问题提出了相应的解决建议和措施,以期更好利用风力发电。     

用于风力发电仿真的多时间尺度风速建模方法

建立多时间尺度的风速模型,其目标是模拟风电机组的出力特性,建立有效的风电场稳态和暂态模型,利用仿真分析风电场接入后电力系统的运行状态,对研究含风电的电力系统动态过程和中长期经济调度问题具有非常重要的意义。采用分段线性化方法和基于夹角距离的相似度匹配进行风速的同类趋势聚合,利用聚合数据构建径向基函数神经网络拟合风速趋势,并在此基础上结合风速集合量化概率分布和趋势变化2个约束,对概率分布函数生成的随机风速序列按照趋势的最小偏度进行重构,建立符合真实变化规律的风速模型。算例基于一组实测数据建立了同趋势的随机风速模型,从变化曲线和功率谱密度曲线对真实风速序列和模拟的随机风速序列进行了分析对比。实验结果证明,与传统的建模方法相比,建立的模型既能够反映风速的长期趋势特征,又保留了风速变化的动态特性,显著提升了风速模型的多样性与真实性。     

基于模糊PID的风力发电功率控制研究

按照风力发电功率控制的目的,分析了风力发电机的特性,根据最大功率点跟踪原理与控制方法,结合常规PID控制和模糊控制各自的特点,提出了一种基于模糊PID的控制系统。该系统能迅速对外界的风速变化进行感知,调整转速,使得输出功率快速跟踪风速变化,从而实现最大功率点的跟踪控制。MatlabSimulink仿真结果表明其响应、调节和稳定性均比无控制和传统的PID控制优越,控制效果比较理想。在风速发生瞬变的情况下,也能快速地控制到最大功率点。     

采用谱聚类的风电典型出力场景选取方法

为有效地减少原始场景数量,以较小的工作量和较高的精度表征风电出力的全时空特性,本文提出了一种基于谱聚类算法的风电日出力典型场景生成方法。首先采用谱聚类算法对风电日出力场景进行聚类分析,得到能有效反映样本亲疏关系的聚类簇。随后考虑风电的反调峰特性,从聚类后的风电日出力场景中选出能够很好的反映各类场景中原出力曲线调峰效益的出力曲线,将其作为典型场景。最后,以云南某地区2017年风电实际出力数据为算例进行聚类分析,验证所提方法的正确性及有效性。