风电功率短期预测及非参数区间估计

为满足电网规划的要求,风电功率预测系统不仅需要提供确切的预测值,还应该对预测值包含的风险做出合理的评估。利用人工神经网络预测风速、风向,并根据实测功率曲线获得风电功率预测值。分析了造成风电功率预测结果不确定的影响因素,提出一种基于预测误差分布特性统计分析的非参数置信区间估计方法,对各功率分区内的预测误差概率密度函数进行建模,并在确定性预测基础上求取概率性风电功率预测值。仿真结果验证了该方法的实用性与有效性。     

考虑数据和模型不确定性的短期风电功率概率预测

风电功率预测结果的不确定性包括数据不确定性和模型不确定性。首先,分析了两种不确定性的来源,给出了风电功率概率预测的目标和形式;其次,将风电功率条件概率分布的参数作为神经网络输出,并利用负对数似然损失作为损失函数,实现对数据不确定性的建模;然后,将神经网络的权重由确定的变量转变为随机变量,并采用概率分布表示,实现了对模型不确定性的建模;最后,提出了考虑数据不确定性和模型不确定性的风电功率概率预测方法。基于实际风电场数据分析了不同概率分布下预测的性能,结果表明,所提方法支持概率分布、区间、出力场景3种形式概率预测;并且考虑模型不确定性后,提升了概率分布预测的性能;也验证了在异常天气条件下,所提方法能够表征预测结果的不确定性。     

基于多重离群点平滑转换自回归模型的短期风电功率预测

基于对风电功率时间序列波动性多重机制的研究,提出一种基于多重离群点平滑转换自回归模型(M-OSTAR)的风电功率预测方法。运用一种改进条件极大似然估计方法,获得M-OSTAR模型的参数估计。考虑风电波动性的厚尾效应,将M-OSTAR模型推广为厚尾形式。进一步借助所提模型的机制转换参数,描述了风电时间序列的多重离群点效应。此外,给出了一种新型的波动性分析工具——标准信息冲击曲面,分析了风电时间序列条件方差的动态变化特征。基于实际风电数据的算例验证了基于M-OSTAR族模型预测方法的可行性与有效性。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于邻域KNN算法的短期风电功率预测

区域电网的总体运行以及电网内电压的稳定性易受风电功率波动的影响,高精度的短期风电功率预测能够确保风电电力系统供电的稳定性和安全性。文章在KNN算法的基础上,提出了基于邻域密度的邻域KNN算法,应用于风电功率的短期预测。邻域KNN算法,首先找出测试对象在一定邻域范围内的训练样本集,统计训练样本集在空间每个维度的密度分布;然后计算出K值,不同的时刻,K值是动态变化的;最后根据KNN算法规则,将测试对象归类。以常州某风电场为例,利用邻域KNN算法对其历史数据进行分析并作出预测,验证了该算法的准确性与有效性。     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义.从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数( Radial Basis Function,RBF)神经元网络的短期风电功率预测模型.运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近.通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定.     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义。从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数（Radial Basis Function, RBF）神经元网络的短期风电功率预测模型。运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近。通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

基于深度学习分位数回归模型的风电功率概率密度预测

针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

基于分位点回归的风电功率波动区间分析

由于风电功率具有随机性的特点,因此,仅对其期望进行分析难以反映其特征,电网运行风险也难以准确把握.为此,基于分位点回归分析理论,对风电功率波动区间,通过支持向量机自适应地选取回归函数,建立风电功率分位点回归模型,并基于内点法对该模型进行求解,实现了对未来时刻风电功率的波动区间分析.最后,采用所述方法对烟台地区电网的某风...     

基于脊波神经网络的短期风电功率预测

对风电功率进行较为准确的预测是提高电力系统运行安全性与经济性的有效手段.在分析脊波神经网络原理的基础上,将其应用于风速、风向及风电功率预测.首先建立预测模型分别预测风速及风向,再采用非线性神经网络实现对实际功率曲线的逼近,最后根据风速预测值和实际功率拟合曲线计算功率预测值.仿真结果表明,采用脊波神经网络预测方法相对于小...     

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.     

基于小波神经网络的风电功率预测

风力发电是新能源发电中技术之一,对促进电力工业调整、减少环境污染、推进技术进步具有重要意义.然而,目前风力发电的大规模使用还存在一定的难度,开展风电场功率预测的研究势在必行,基于小波理论及神经网络的方法,开展相应的研究.     

基于EEMD与时间序列法的短期风电场功率预测

随着风力发电技术的发展,风电已成为最主要的新能源发电方式.但因风的随机性造成的风场输出功率的随机波动,电网将面对备用容量增多、调度难度增大以及风电场弃风等问题.解决上述问题的有效途径之一就是对风电场输出功率进行准确预测.针对风电场功率时间序列的非线性和非平稳性,分别将EMD和EEMD方法与时间序列的方法相结合应用于风电场功率预测中,提出基于EMD - ARMA和EEMD-ARMA的风功率预测方法.采用某风电场的实际功率数据进行分析预测,预测结果验证了所提方法的正确性和有效性.     

基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计

风电的波动性和不确定性给大规模风电并网带来了挑战,估计风电场上报风电的预测功率误差范围,能够为含风电电力系统的运行调度提供重要信息。因此,提出基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计方法。通过建立隐马尔可夫模型实现一定置信水平下对风电功率误差波动区间的快速估计,并利用局部加权回归散点平滑法对误差区间进行处理。以实际数据为例分析,结果表明所提方法能够给出风电功率预测误差的波动范围,为电力系统的调度与控制、备用容量的配置、风险评估等方面提供更全面的信息。     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

基于小波-神经网络的风速及风力发电量预测

风能作为可再生清洁能源已得到世界各国的广泛应用。由于风速的不确定性,给保障风力可靠性发电带来了一定的困难。提出了一种较为准确的小波–神经网络法预测风速。该方法利用小波函数将原始波形进行不同尺度的分解,将分解得到的周期分量用时间序列进行预测,其余部分采用神经网络进行预测,最后将信号序列进行重构得到完整的风速预测结果。在神经–网络学习过程中加入了微分进化算法,提高了其收敛速度,解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。     

多风电场短期输出功率的联合概率密度预测方法

提出一种多风电场短期输出功率的联合概率密度预测方法。首先利用支持向量机对每座风电场的输出功率进行单点值预测,对预测误差建立稀疏贝叶斯学习模型进行误差的概率密度预测,得到单一风电场输出功率的边际概率密度函数预测结果;对多风场输出功率预测误差特性进行统计分析,发现同一区域内,风电场输出功率预测误差之间存在线性时空关联特性,进而运用动态条件相关回归模型求得相关系数矩阵,定量描述多风电场短期输出功率预测误差之间的动态时空相关关系;最后,综合单一风电场输出功率边际概率密度预测结果和相关系数矩阵得到多风电场输出功率的联合概率密度函数,并借助多元随机变量抽样技术形成包含动态时空关联特性的多维场景。通过实例分析,表明了所提出方法的有效性。