基于FCM-等值风速模型的风功率日前预测

由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法（fuzzy c-means,FCM）的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明：所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。     

基于支持向量机的风速与风功率预测方法研究

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入电网,对电力系统的安全、稳定运行带来严峻挑战.对风速风功率进行预测,对风电场的出力进行短期预报,是解决这一问题的有效途径.对风速风功率预测方法进行了研究,从物理和统计方法对SVM(支持向量机)预测方法作了分析,支持向量机在风速风功率预测中有非常大的应用空间,并进行了预测实验.     

基于等效平均风速的风力发电功率预测

目前应用风速气象数据预测风力发电功率的方法存在较大误差,难以满足工程应用的精度要求.文中基于能量守恒原理提出了风力发电机组等效平均风速的概念,并通过为期1年的现场实验分析得到等效平均风速与最大风速和平均风速的函数关系,由此提出了基于等效平均风速的风力发电功率预测方法,并与以往基于平均风速的风力发电功率预测方法进行了工程应用效果对?栽 比,表明基于等效平均风速的预测方法较基于平均风速的预测方法在预测精度方面有明显提高.     

基于互信息属性分析与极端学习机的超短期风速预测

超短期风速预测对保证风电并网运行可靠性和维持电力系统安全稳定具有重要的意义,针对风速预测中不同因素对风速影响程度不同的特点,本文提出一种基于互信息属性分析与极端学习机的超短期风速预测方法。首先,选取与风速相关的68种候选属性因素,分别计算其相对于风速序列的互信息值,根据互信息,衡量属性对风速的影响程度,并选择输入属性;然后,由互信息值计算属性权值;之后,采用加权处理后的属性值来训练极端学习机,构建风速预测模型;最后,采用新模型预测未来4h内风速。采用北纬39.91°、西经105.29°的美国风能技术中心的实测数据开展实验,实验结果表明,新方法具有良好的预测精度,能够满足实际风速预测需要。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

两种基于自适应神经模糊推理系统的风功率预测方法

随着风电渗透率的持续增长,风电功率预测的研究和应用变得非常重要,它将提高电网的安全性、稳定性和接纳能力。文中分别对基于风速预测和基于功率预测的两种风功率预测方法进行了分析,并建立了自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测模型。利用吉林省西部某风电场的实测数据,基于ANFIS预测模型采用两种预测方法进行实时多步滚动预测,并与基于线性回归法、滑动平均法和持续法的风电功率实时多步滚动预测得到的预测结果进行比较,结果表明前者的预测精度更高,说明了ANFIS预测模型的有效性,并发现基于功率预测的ANFIS预测方法的精度要高于基于风速预测的ANFIS预测方法。     

基于空间相关性的风电功率预测研究综述

由于风电具有很强的随机性和波动性,因此大规模风电并网会对电力系统的运行和稳定性造成很大的影响。如何准确预测区域风电场的功率已经成为当今电力系统亟待解决的研究课题。现有的风电功率预测方法未考虑空间相关因素,预测体系有待进一步完善。基于空间相关性的风电功率预测是一种考虑了本地信息和空间相关信息的综合预测方法。文中给出了基于空间相关性的风电功率预测的定义、概念和基本特点,分别从统计模型、物理模型、空间降尺度过程和空间升尺度过程4个方面详细阐述了基于空间相关性的风电功率预测的实现方法,并对空间相关性在风电功率预测方面应用的最新国内外研究进展作了系统的分析评述。最后,针对该领域尚存在的问题与不足,总结了今后的发展方向和需要进一步探索的研究内容。     

基于实测数据分析的大型风电场风电功率预测研究

针对风力发电具有波动性、间歇性的特点以及大容量风力发电接入电网对电力系统的安全、经济运行带来严重影响的问题,阐述了风电功率的预测方法,并在分析风电场实测数据基础上,应用混沌时间相空间理论建立了超短期风电功率预测一阶局域模型,对某风电场未来5 min、15 min、30 min内的风电功率进行预测.对预测结果进行了评价,...     

加权二阶局域分析的风功率混沌预测方法

混沌预测理论由于其良好的短期预测能力而在电力负荷预测领域得到了广泛应用。本文针对现有混沌预测加权局域预测方法,采用二阶局域分析代替现有一阶局域分析提高预测的拟合精度,从而实现混合预测方法性能的改善。将该方法应用于电力系统短期风功率预测的实际算例。通过与Matlab神经网络模块预测效果的比较,发现新方法可以较好地解决风电场风功率预测问题。     

寒潮天气对风电运行和功率预测的影响分析

针对我国北方地区电网在迎峰度冬期间面临的寒潮天气影响、供暖和用电负荷需求增加的问题,提出提高寒潮天气下新能源功率预测的准确率,以有效解决“保供电”和“保消纳”之间的矛盾。根据寒潮天气影响风电运行的过程,将寒潮天气特征分为风机覆冰、大风切机、低温脱网和晴冷无风四种类型。分析了各种寒潮类型对风电运行的影响机理,并结合内蒙古东部地区典型案例研究了寒潮影响风电功率预测的偏差规律。基于上述分析,在管理和技术方面提出了加强寒潮天气的预测预警工作、开展新能源功率预测系统升级改造等提升风电功率预测性能的建议,以提高寒潮天气下风电预测的准确率。     

风电场风速及风功率预测方法研究综述

随着全球能源形势日益严峻,传统的化石能源面临枯竭危机,清洁的可再生能源尤其是风能越来越受到人们重视,将来很可能替代化石能源成为主要能源。风速及风功率预测这一基础性研究课题对于风电场规划、风功率的控制、风电并网后电网的安全经济运行有着重要的意义。本文就风速及风功率预测模型进行了归纳整理和比较分析,对各种模型进行了客观评价,最后指出了未来预测模型的发展趋势。     

基于预测信息二维坐标动态划分的风电集群功率超短期预测

风电集群的大规模并入电网对功率预测的准确度提出了更高的要求。为能充分利用预测功率信息和数值天气预报(numerical weather prediction,NWP)信息,该文提出一种基于功率变化趋势和风速变化波动的二维坐标的风电场动态分群方法。将4h时间尺度的预测过程分成4个等长时间尺度的循环过程,在每次1h的循环过程中应用平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)对各场站的二维坐标聚类,完成对集群的划分,根据划分结果构建训练集,通过门控循环单元(gate recurrent unit,GRU)模型完成各子集群的功率预测,重复这一过程直至完成4h的超短期功率预测。算例结果表明,所提方法的预测精度相比静态划分提升1.8%,相比统计升尺度提升4.31%,可有效提高风电集群的功率超短期预测准确度。     

基于自适应PSO-SVR的风速风功率预测

提出了一种基于自适应粒子群支持向量机的风电场风速风功率预测方法。该方法通过自适应粒子群算法优化参数的支持向量机的风速风功率预测。PSO算法作为一种新型的基于群体智能的随机优化算法,简单且易于实现,通过对粒子群算法惯性权重的改进及种群的变异操作,使得算法具有更强的参数优化能力。仿真算例和预测结果表明,该方法具有较高的预测精度。     

基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用.根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法(ANFIS)进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测.以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性.     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

基于电池储能系统的风功率波动平抑策略

为平抑风功率中的分钟级波动,在分析波动概率特性的基础上构建了基于双电池组拓扑结构的风-储混合电站。根据电池技术特性设计了电池储能系统(battery energy storage system,BESS)的在线运行策略,即两组电池分别处于充、放电状态,根据风功率超短期预测结果,交替平抑风功率中的正、负波动分量。一旦任何一组电池到达满充或满放状态,则同时切换两组电池的工作状态。提出基于蒙特卡罗模拟的BESS运行仿真模型,在历史数据的基础上对BESS在典型时段内的运行进行了模拟。基于某风电场实测数据的仿真结果表明,基于双电池组拓扑结构的储能系统可在不显著消耗电池循环寿命的情况下有效平抑风功率中的波动分量。     

基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用。根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法（ANFIS）进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测。以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性。     

电网极端天气区划图智能绘制系统的建设

以数据库技术和可视化技术为支撑,以国家电网关于极端天气分布图(雷区、冰区、舞动区)的相关规范标准为依据,采用计算机软件集成技术和地理信息系统开发技术,建设电网极端天气区划图智能绘制系统,实现极端天气专题图的智能成图、编辑、审批、发布、分析、评价等多项功能,为电网规划和电网防灾减灾提供决策依据。     

基于天气分型的风电功率预测方法

对风电场输出功率进行预测是保证大规模风电集中并网后电力系统安全稳定运行的有效手段。提出了种基于天气分型的风电功率预测算法,以数值天气预报(numerical weather prediction,NWP)中的风速向量和压力日变化为基础,采用主成分分析对样本进行降维处理,以聚类分析的方法对天气类型进行分类,针对不同的天气类型分别建立预测模型,并与单预测模型进行对比。研究结果表明,主成分分析结合聚类分析的方法可实现对天气现象的有效分类;对于较为稳定的天气现象,聚类模型较单模型的预测精度提高显著,而对于不稳定的天气现象,聚类模型预测精度提高有限;对总体样本而,基于天气分型的预测方法较常规方法精度提高2%以上。     

风功率预测系统在新疆电网中的应用及改进

结合风功率预测系统在新疆电网中的应用情况,就风功率预测系统进行了总结。对存在问题进行了深入研究,找出了其中的不足,提出了新的解决措施,克服了原有系统的不足。对推进风功率预测系统的应用及提高风功率预测系统精度有重要的指导意义,也为有类似问题的风功率系统提供了技术参考及借鉴。