基于MEEMD-ARIMA模型的波浪能发电系统输出功率预测

波浪能作为一种储量丰富的清洁能源,是未来理想的能源之一.但其具有较强的随机波动特性,因此,可靠地预测波浪能发电系统的输出功率能给复杂电网的调度带来极大的便利.文中提出基于改进的总体经验模态分解(MEEMD)-差分整合移动平均自回归(ARIMA)模型的波浪能组合预测.首先,基于海浪计算原理,计算混合浪的每小时平均波高与周期.其次,采用MEEMD对每小时平均波高与周期进行分解,得到一系列特征互异的本征模态函数(IMF)和余量,并将平均波高分解的结果与离散小波变换分解结果做对比.然后,将得到的分量分别建立ARIMA预测模型,通过叠加得到每小时平均波高与周期的预测值.最后,建立直驱式波浪能发电系统波高-功率转换模型,实例结果验证了该组合模型预测的有效性.     

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。     

基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测

准确预测光伏发电功率对电网调度具有十分重要的意义.该文提出一种基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测方法.首先,利用灰色关联分析对某地区多光伏电站进行空间相关性分析,选取与待预测光伏电站高度相关的周边电站;然后,基于GeoMAN模型动态提取待预测光伏电站的时空特征和外部气象因素,GeoMAN模型采用编解码结构,利用编码器动态提取待预测光伏电站的站内特征和与周边相关电站的站间空间特征,利用解码器提取输入变量的时间特性,并融合晴空指数和数值天气预报动态输出光伏发电预测功率;最后,采用实际光伏电站进行案例分析,结果表明该文所提出的预测方法与传统LSTM模型相比,实现了更高精度的光伏发电功率短期预测.     

近海可再生能源发电穿透功率极限计算研究

伴随着近海可再生能源的开发利用,大规模的近海风能、波浪能即将发电并网运行。基于概率潮流研究了风和波浪的相关性对于节点电压以及线路潮流分布的影响,提出了一种基于概率潮流的近海可再生能源发电穿透功率极限计算方法,计算中分析了风、浪发电的出力特性,并考虑了风和波浪的相关性,得到含有风和波浪联合发电系统的线路潮流分布,进一步运用随机规划理论和粒子群算法求解穿透功率极限。最后以IEEE 30系统算例验证了计算方法的有效性,并比较分析了风和波浪的相关性对于穿透功率极限计算的影响。     

灰色-马尔可夫链统计组合模型在光伏发电功率短期预测中的应用

光伏系统输出功率具有随机性和波动性的特点,光伏系统并网以后可能引起运行和可靠性问题。提前对光伏发电功率进行准确预测有利于电力部门及时调度和保证电能质量,从而保证电网的安全运行。在分析灰色预测模型局限性的基础上,将灰色-马尔可夫链组合预测模型应用到光伏功率短期预测中,并阐述了其建模原理。通过对灰色模型拟合值的相对残差序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型。通实际算例分析,证验了所提组合模型的准确性和简便性。     

基于ARMA-GARCH模型的超短期风功率预测研究

风功率预测对提高电能质量和电力系统的安全运行具有重要意义。基于时间序列的方法,对内蒙古赤峰地区某风场的风功率数据进行了超短期预测,通过对数据平稳性检验的结果,建立了时间序列的ARMA模型,利用拉格朗日乘子检验的方法,检验ARMA模型具有ARCH效应,并建立适合的ARMA-GARCH模型。结论通过对比ARMA模型,ARMA-ARCH模型和ARMA-GARCH模型的风功率预测精度可知,在解决数据的残差序列异方差函数具有长期相关性时,ARMA-GARCH模型能够有效的提高预测精度。     

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。     

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。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测

短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机（LSSVM）作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法（BHPSO）对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

一种多输出模型的风电功率超短期预测方法

高精度的风电功率预测对于电力系统的安全经济运行具有重要意义。基于大量风电功率历史数据,结合相关性分析和K近邻算法,提出一种新的多输出模型的风电功率超短期多步预测方法。以东北地区2个风电场实测风电功率数据为例进行分析计算,使用国家能源局提供的风电功率实时预测评价指标对两种多步预测方式进行评价。结果表明该方法预测精度高,方法简单,具有一定的工程实用价值。     

基于数值天气预报的风能预测系统

随着世界范围内风电事业的飞速发展,大量大容量风电机组直接接入高压输电网络,是对电网安全运营、电能质量保证的重大挑战,迫切需要使用风能预测系统来对风电机组的发电功率进行预测。提出一种基于数值天气预报以及人工神经网络的混合型风能预测系统。该系统以基于数值天气预报的风速和风向预测数据作为输入数据,以自组织神经网络作为预处理模型,以径向基函数网络模型作为预测模型,并依据特定风电机组或风场的发电量的历史数据对输出数据进行修正。用该预测系统对河北某风电场进行了实例计算,得到可接受的预测结果,表明系统可行。     

基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

Study on output prediction system of wind power generation using complex‐valued neural network with multipoint GPV data

In recent years, wind power generation has seen rapid growth as a solution to the depletion of fossil fuels and to global warming. However, the output of the wind power generator fluctuates widely depending on the wind speed, which affects the power grid. In this paper, we propose a prediction system of wind power generation ahead of 24 h by using a complex‐valued neural network (CVNN). To predict the output of wind power generation, it is necessary to predict the wind speed accurately. Generally, wind data is expressed as a vector, which has both magnitude and direction. Therefore, it is also possible to treat wind data by a complex number and then use it as input information of the CVNN, which is very useful for operation of a complex number and nonlinear data. In computer simulations, we use multipoint numerical weather prediction data that surround the wind prediction point to realize long‐time prediction. Thereby, we expect that the CVNN can take into account wind dynamics in two‐dimensional space. Several simulation results and t‐tests demonstrate the effectiveness of the proposed prediction system. © 2012 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

基于灰色预测的空冷型PEMFC发电系统实时最优温度无模型自适应控制

空冷型质子交换膜燃料电池(PEMFC)发电系统的输出性能受工作温度、气体流速、尾气排放间隔等操作参数的影响,其中工作温度是影响输出性能的关键因素。针对空冷型PEMFC发电系统温度控制所具有的非线性、时滞、慢时变等复杂特性,提出基于灰色预测的无模型自适应控制方法实现实时最优温度控制。该方法将灰色预测的结果代替发电系统当前工作温度测量值。实验结果表明:所提方法能够在不同负载条件下实现对发电系统最优温度进行实时跟踪。与增量式PID控制相比,所提方法有效减小了系统的超调,使发电系统输出功率更平稳,有利于发电系统的长期稳定运行,延长电堆的使用寿命。且所提方法仅根据PEMFC输入输出数据在线对控制器进行调整,对PEMFC参数不敏感,可应用于类似空冷型PEMFC发电系统。     

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。     

基于误差前馈预测的多时空尺度风电集群有功功率分层控制策略

随着风电渗透率的提高,风电场存在的可预测性和可调度性差等问题已经凸显。针对上述因素导致风电消纳水平降低的问题,文章提出结合误差前馈预测的风电集群有功功率分层控制策略。首先,提出考虑风电变化趋势的误差前馈模型,将其与小波包分解和持续法模型相结合组成超短期功率预测模型,并根据历史数据的训练情况赋予误差前馈限值。其次,基于此预测模型提出一种多时空尺度的有功功率分层控制策略,该策略在已有调度指令的前提下,通过将控制层分为集群层、场群层和子场层,实现对各风电场的协调控制。最后,基于东北某风电基地的实际运行数据通过MATLAB和CPLEX进行仿真分析,结果证明所提方法改善了风电消纳水平和风电场储能协调出力。     

基于PSO-DBN神经网络的光伏短期发电出力预测

考虑到光伏输出功率的随机性和波动性,提出一种基于粒子群算法(Particle Swarm Optimization,PSO)优化深度信念网络(Deep Belief Network,DBN)的光伏短期发电出力预测方法。首先利用改进粒子群算法确定DBN神经网络最优的初始权值,建立初始DBN网络。其次,确定预测日后,利用灰色关联度法选出与预测日气象特征相似度高的日期。将这些日期的气象数据和历史发电数据作为训练集对初始DBN网络进行训练,建立预测模型。最后仿真结果表明,所用模型相比于传统的DBN神经网络具有更高的预测精度。