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。     

考虑气象特征与波动过程关联的短期风电功率组合预测

为解决短期风电功率预测关键气象因素提取难、天气波动过程与功率波动过程匹配性差的问题,提出了一种考虑气象特征与波动过程关联的短期风电功率组合预测方法。首先,通过最大相关-最小冗余原则得到数值天气预报的气象特征因素来划分天气波动过程。其次,考虑天气波动过程与功率波动过程的关联关系,建立了以气象特征因素为输入、以风电功率为输出的波动过程关联的短期组合预测模型。最后,将不同天气波动过程下的风电功率预测值在时序上进行重新组合,以得到波动过程为输出的短期风电功率预测结果。实际算例表明,采用气象特征因素作为输入以及面向波动过程关联的组合预测方法能够明显地提高短期风电功率的预测精度。     

基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。     

风电场功率分配算法

在风电出力受限时,调度需要考虑多个风电场出力叠加所带来的平滑效应,优化功率分配。根据风电场是否具备风电功率预测系统建立了5种不同的风电场功率分配算法模型,以单个区域中的多个风电场的未来1 h功率预测数据来计算5种算法下所有风电场的总出力及相应的损失电量。结果表明,考虑预测的算法所得到的风电场出力情况与风力发电限值最为接近,且损失电量最少,明显优于不考虑预测条件下的算法。通过研究这5种算法也为风力发电的调度提供优化方案。     

服务于预测评价的风功率出力模式聚类研究

风电功率的预测精度与其出力模式密切相关,然而现有的风电功率评价指标对不同出力模式的风电场采用统一的评价标准,评价结果有失公允。文章研究了不同风电出力模式对预测结果的影响,并基于研究结果为实现合理评价提供思路方法。首先提取了日尺度样本熵、样本熵超阈值天数占比以及月尺度样本熵这3个特征指标,在此基础上利用一种密度聚类算法对不同风电场出力模式进行聚类;其次针对聚类得到的若干出力模式,分别采用持续法、一次指数平滑算法、径向基函数(radical basis function,RBF)神经网络法3种常用的预测算法进行预测,以说明不同出力模式可预测性的差别;之后采用云南某地风电场集群的实际运行数据进行仿真计算,结果表明所提出的3个特征指标能够有效表征不同风电出力模式不同时间尺度下的可预测性强弱;最后给出了研究结果在风电功率预测评价上的具体应用。     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。     

中长期风电功率的多气象变量模型组合预测方法

为了预防和控制危害性风电功率事件,提出多气象变量模型的组合预测方法,以实现中长期高精度风电功率预测。该方法利用数值天气预报提供的气象数据预测长期风电趋势,同时局部采用多变量模型改善预测精度。为了保证多变量模型的有效性,首先采用Granger因果检测法筛选出对风电功率预测有效的气象变量。其次,针对不同气象变量进行数据结构分析,并根据其动力学特性单独建立合适的预测模型,然后采用线性或非线性机制对不同气象变量预测结果进行组合,完成组合预测模型的建立。最后,通过对实例数据仿真,实现了中长期风电功率预测,并结合误差分析验证了组合预测模型的有效性,且预测结果为后续中长期风电功率事件分析提供了基础。     

高比例风电系统的爬坡备用需求评估

在极端天气情况下,风电功率会在短时间尺度内发生大幅度的变化,出现风电功率高风险爬坡事件,严重威胁电力系统的安全稳定运行。开展爬坡备用的需求评估,有助于减小风电出力波动和预测误差对电网运行带来的不利影响。为保障高比例风电系统的备用充裕度,提出一种基于门控循环单元和非参数核密度估计法的组合区间爬坡备用需求预测方法。首先,将风电功率实际数据和日前预测数据构建成多变量时间序列,基于门控循环单元（gate recurrent unit,GRU）模型提高预测结果的准确度。进而,采用非参数核密度估计方法对风电功率预测误差进行置信区间估计,得出给定置信区间下的风电功率预测区间。最后,根据区间预测结果,预测爬坡事件并提取爬坡特征量,建立爬坡备用需求评估模型,评估得出爬坡备用容量需求。基于西北某省级电网的数据开展了算例测试,验证了所提方法的有效性。     

基于改进长期循环卷积神经网络的海上风电功率预测

准确的风电功率预测对海上风电安全并网具有重要意义.不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求.针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测.首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别...     

极端气象天气对新能源运行影响分析

针对极端气象天气对新能源和电网安全运行的影响日趋增大,介绍了寒潮(低温)对风电运行的影响,简要分析了高温、大风、沙尘暴、雾霾、日食等对新能源的影响,并提出建议:加强对极端气象天气事件的研究和重视,加快建设电力气象预警与综合分析平台,开展特殊气象条件下新能源功率预测研究.     

考虑风电功率爬坡的功率预测-校正模型

随着大规模风电接入电力系统,风电功率爬坡事件对电网的安全稳定运行带来一定的影响。研究爬坡事件发生时的功率预测已越来越迫切。基于极限学习机理论,提出了一种考虑风电功率爬坡事件的超短期功率预测和校正模型。首先,利用最优旋转门算法对当前爬坡事件进行识别,提取爬坡事件特征值,建立模糊C均值聚类模型以得到同类数据,在此基础上,采用极限学习机算法对上述数据进行训练、预测,通过元组向量时间扭曲法在历史风电功率预测爬坡事件库中寻找与当前风电功率预测结果相似的爬坡事件,得到功率预测历史相似爬坡事件。最后,利用功率预测历史匹配值与实际值之间的特征值误差,对风电功率预测结果进行修正。算例表明,所提方法可准确识别风电功率爬坡事件、有效提高风电功率超短期预测精度。     

基于经验模态分解法优化支持向量机模型的日前风电功率组合预测

针对风电场日前风电出力预测问题,应用一种基于经验模态分解法优化支持向量机的算法的短期风电功率组合预测方法。首先采用经验模态分解法将历史风电功率数据分解为一系列相对平稳的分量序列,以减少不同特征信息间的相互影响,然后采用优化的支持向量机法对所分解的各分量序列分别建立预测模型,针对各分量自身特点选用不同的核函数和参数以取得单个分量的最佳预测精度,最后把各个分量的预测结果叠加,形成风电功率的最终预测值。算例表明,与其他单一预测方法相比,本文使用的组合算法预测精度更高。     

考虑山东近海不同风能天气特征的风电功率区间预测模型

风电功率区间预测是应对大规模风电机组并网运行的有效手段之一。针对山东风电并网运行建立了一种考虑山东半岛不同风能特征的风电功率区间预测模型。对比了不同风能条件下半岛内风电场出力特征和风电功率历史预测误差分布特点,发现风电场出力分布范围随风速增加呈"先增后减"趋势,在出力分布范围较大的风速区间内,预测误差也相对较大。以风速、风向和预测功率为特征变量,在利用层次聚类法对样本数据进行聚类分析基础上,采用非参量核密度估计方法,建立了各类样本在不同风向条件下风速-风电功率预测误差的联合概率密度分布模型。将该模型与NARX(nonlinear auto regressive models with exogenous inputs)网络确定性风电功率预测结果相结合,得到一定置信水平的风电功率区间预测结果,最后通过实际算例验证了模型的有效性。     

计及空间相关性的轻量级风电功率预测方法

针对风电功率预测数据高维灾难以及云计算的通信依赖问题,提出一种风电功率的属地边端轻量级预测方法。采用KNN算法计算风机间的距离量化空间相关性,并引入轮廓系数自适应地确定近邻数k以降低冗余特征维度,从而确定输入目标预测风机的邻近风机数据;基于Seq2Seq结构的GRU-MLP网络完成各台风机的风电功率预测。实验结果表明,在预测准确率近似的条件下所提方法相较于常规网络复杂度小、效率更高,可为风电场功率预测任务从云端向边缘迁移提供技术方案。     

基于功率预测误差修正的日前风电出力分布估计

风电功率预测是整个风电运行与控制体系的基础支撑技术模块。基于功率预测误差的修正结果,提出了一种风电场日前有功出力分布的估计方法。首先验证了风电功率的预测误差水平受到风速大小的三次方、风电功率的峰度、风电功率的大小和功率预测相关性等多个因素的影响;然后利用多元线性回归法建立风电功率预测误差的估计模型,并对风电场日前的点功率预测值进行修正;最后利用广义误差分布模型估计出风电出力的上下限。以华北地区某座风电场作为测试算例进行分析,验证了该出力分布估计方法的有效性。     

一种变权重风电功率最优组合预测模型

针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。     

风电功率预测信息在日前机组组合中的应用

将风电功率预测信息纳入电力系统调度运行是解决风电波动的主要技术之一.受自然条件影响,风电功率预测的精度仍然较低.描述风电功率的不确定性并在机组组合中使用该信息,可提高机组组合决策的鲁棒性.文中分别采用点预测、区间预测和分位点预测描述风电功率的不确定性.在此基础上,分别建立了适合各种风电功率预测信息的机组组合模型.最后,...     

基于聚类分析和优化神经网络的风电功率预测研究

为了提高风电功率的预测精度,减小风电随机性对电网的影响,提出一种基于K均值聚类算法和思维进化算法优化误差反向传播神经网络的风电功率短期组合预测模型。首先,采用K均值聚类算法将风速分为微风、中风和大风,风向分为正风向和反风向共六个类别以降低其随机性。然后,为各个类别分别建立神经网络预测模型,并采用思维进化算法对其初始权值和阈值寻优,再将待预测样本根据所属类别输入到相应的预测模型中,得到最终的预测值。最后利用算例仿真,证明所提的组合预测模型比其他传统预测模型具有更高的预测精度。     

基于小波变换和BP神经网络的时序风电功率预测

为了更好地进行风机控制及系统调度,需要准确地预测风电功率。针对风电出力的不确定性问题,研究了小波变换的原理和方法及BP神经网络的原理和算法,建立了一种结合小波分解和BP神经网络的风电功率预测方法。对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后,根据神经网络独立学习的特性,用前几个时段的历史功率数据作为输入,下个时段的历史功率数据作为输出,训练神经网络,实现单步预测;各分量预测完后,将各分量的预测值相加即得到重构值。仿真结果验证了该方法的有效性,与不经过小波变换的BP神经网络预测相比,文中方法具有更高的预测精度。     

基于鲁棒多标签生成对抗的风电场日前出力区间预测

风力发电不确定性强、波动性大,日前预测精度有待改善。为提高风电日前区间预测效果,提出一种基于鲁棒多标签生成对抗的风电场日前出力区间预测方法。首先,采用皮尔逊相关系数分析风电出力与多种气象因素、历史风电出力间的相关性,构建含数值天气预报气象特征与风电出力的原始数据集。然后,在原始数据集中去除待预测日风电功率,得到聚类数据集开展k-means聚类,获得带簇标签的原始数据集。之后,基于鲁棒性辅助分类生成对抗网络,生成海量带标签场景。最后,根据已知的历史风电出力和数值天气预报获得的特征,确定待预测日的簇标签,在生成场景中按对应簇标签筛选与待预测日风电功率特征相似度高的多个场景,组成相似场景集。基于相似场景集的待预测日风电功率均值及上下限,分别获得待预测日（次日）24个时段的风电功率点预测及区间预测结果。以中国东北某地区实际风电场数据为例验证了所提方法的优越性。