基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

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。     

云南省风电负荷预测系统现状评估

风电负荷预测系统对风电大规模接入后电网的供电品质、供电可靠性有重要意义;针对目前云南省风功率预测还处于起步阶段的情况,对目前云南省风电功率预测系统中的数据采集系统、统计及报表功能、界面功能、预测功能、风场预测情况统计分析这5方面的现状及存在的问题进行分析,并对风功率预测系统的管理及优化提出改善意见。     

基于ICA-NN的短期风功率预测研究

随着风电大规模的接入电网,风电对电网的影响越来越大。由于风电出力具有随机性、间歇性和不可控性,导 致风电对电网调度运行带来巨大的挑战。为了充分利用风电,必须将风电由未知变为基本已知,提高对风电出力的 预测精度。提出一种基于帝国主义竞争算法的神经网络( ICA － NN) 方法来提高短期风功率预测的精度。在该方法 中,首先,建立一个基于多层感知器( MLP) 人工神经网络的风速预测模型,然后,用帝国主义竞争算法优化神经网络 中的权值。将该预测方法应用于新疆某风电场,验证了该方法应用于短期风功率预测的有效性,证明了该方法可以 提高短期风功率预测的精度。     

盐城电网负荷预测系统换型升级改造

电力调度对电网负荷预测系统的准确性要求越来越高,从预测指标优化、操作系统、服务器及其运行模式、智能化应用等几个方面对现有电网负荷预测系统进行换型升级,对系统硬件结构和预测算法作了改进．加强了预测和管理功能,并在应用中取得了效果。     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t location- scale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测

随着风电在现代电网的渗透率越来越高,电力系统优化运行对风电功率区间预测的可靠性提出了更高要求.现有的风电功率区间预测通常针对历史数据整体的误差,或者基于不同的出力水平进行分类误差建模,难以反映预测模型对于不同风况下的适应性.鉴于此,提出了一种基于数值天气预报(NWP)风速和蒙特卡洛法的短期风电功率区间预测模型.首先,按...     

调度侧风电功率预测系统设计与应用

为解决风电场功率预测数据异常和数据丢失的问题,提出了一种调度侧风电功率预测系统方案。调度侧风电功率预测系统由数值天气预报下载服务器、反向物理隔离装置、数据采集与处理服务器、预测系统数据库服务器和功率预测应用服务器构成。通过在云南大理电网的应用结果表明:调度侧风电功率预测系统与发电侧风电功率预测数据相互校核,互为备用,进一步提高了全网预测精度,保障了电网的安全运行;系统效果良好,安全性高,实用性强。     

典型风电场风电功率预测误差研究

比较了风电场并网功率的预测值与实际值,研究了风电场并网功率日预测误差概率及最大日预测误差、风电场并网功率实时预测误差概率分布、风电场预测数据的均方根误差和风电场风功率预测误差的分布特性,并提出了利用储能系统减小风功率预测误差,提高风电功率预测精度。     

基于案例推理的极端天气下风功率预测系统研究

提高风功率预测精度是保障风电并网安全运行的关键,同时也是电力市场现货交易决策制定的支撑,而间 歇性、波动性风速是影响风功率预测精度的重要因素.提出了一种基于案例推理的极端天气下风功率预测方法,首先 利用混沌理论建立间歇性风速模型,进而确定极端天气预测案例库,其次建立基于案例推理的风功率预测模型,最后 结合山西省大同市某风电场的实际运行数据进行验证, 并与广义回归神经网络(GRNN)、最小二乘支持向量机 (LSSVM)和遗传BP神经网络(GABP) 三种方法的预测结果进行对比.仿真结果表明,该方法能够有效提升风电 功率预测精度,或可为极端天气时的风功率预测研究提供借鉴.     

Forecasting flood

As the risk of flood in the UK increases, so does the need to have an effective prediction system to protect critical assets.     

短期负荷预测的Ensemble混沌预测方法

负荷记录中的噪声以及预测方法中矩阵数值计算的奇异性,使得一次预测得到的结果具有较大的误差.为了降低初值中噪声的不利影响,将数值天气预报中的Ensemble方法移植到短期负荷预测中.在混沌相空间重构预测中,在参考矢量上叠加一定强度的正态分布噪声,形成多个扰动后的参考矢量,分别预测后得到多个预测结果,再由这些预测结果合成概率化的预测结果.采用这种Ensemble技术,不仅可以提高预测准确率,还可以得到概率化的预测结果.     

间接预测法在母线负荷预测中的应用

为避免220kV母线供电区域内负荷转供、停电以及小电源等因素对母线负荷预测的不利影响,提出了一种间接预测母线负荷的方法。首先把母线下网负荷转换成该母线供电区域内的理想用电负荷,再将该理想用电负荷作为历史负荷数据采用系统负荷预测的算法进行预测得到初步预测结果,同时获取待预测日各种影响因素的值,初步预测结果剔除各种影响因素...     

最优组合预测方法在电价预测中的应用

电价是电力市场中的核心因素,电价预测是各个市场参与方共同关注的一项重要工作。为了提高电价预测的准确性,文章引入组合预测模型,将几个单一电价预测模型有机地结合起来,综合各个预测模型的优点,得出更为准确的预测结果。通过使组合预测误差平方和最小,以确定各个单一预测方法的权重系数。用美国加利福尼亚州电力市场日均历史电价进行预测校验,算例分析结果说明了该组合预测方法的有效性。     

组合预测模型在电网负荷预测中的应用

应用单项预测模型进行电网负荷预测,已不能适应当前电网管理的要求。分析了应用单项人工神经网络模型进行短期负荷预测的局限性,提出了应用定权系数和变权系数组合预测模型进行短期负荷预测,并作了具体应用研究,证明其改善了应用单项人工神经网络模型对负荷变化的连续波动性体现不够的缺点。通过对广州电网的实际负荷进行仿真预测,得出预测模型和处理策略可以得到更加精确的结果。     

母线负荷预测中的自适应预测技术及其实现

负荷波动频繁、变化模式复杂是母线负荷的重要特点。如何自适应地进行预测模型的选择和模型参数的调整,从而获得更加准确的预测结果,始终是一个研究热点和难点。文章提出了一种基于虚拟预测思想的自适应母线负荷预测技术。通过分析自适应预测的基本问题,建立了母线负荷预测自适应技术的抽象统一框架,阐述了自适应预测技术的整体流程,并给出了自适应预测技术的详细数学描述与实现方法。算例分析表明,应用自适应预测技术,实际预测的效果得到显著提高。     

基于智能混合预测策略的短期光伏功率预测

高比例新能源接入使得传统工频量保护难以适用，而行波保护是目前解决新型电力系统可靠性问题的有效途径之一。现有电流行波极性比较式保护方案依赖于首波头的准确捕捉。对此，首先分析了区内外故障时行波的折反射过程，明确了初始行波与后续折反射波间的极性和幅值关系，并定性分析了区内外故障时电流波形的变化趋势。在此基础上，利用故障暂态电流低频分量积聚值表征初始行波极性特征，进而提出了一种新型行波极性比较式纵联保护方案，可以有效解决高阻或小故障初相角情况下传统保护方案可靠性不足问题。最后，大量的PSCAD/EMTDC仿真实验表明，新方案能够可靠识别区内外故障，且具有较好的耐过渡电阻以及抗噪声干扰的能力。     

组合预测方法在电力系统负荷预测中的应用研究

组合预测方法是一种性能优越的预测方法。选择了电力负荷预测精度较高的两种单一预测模型——无偏灰色预测模型和时间序列预测模型,通过它们建立了三种不同的组合预测模型,对我国电力负荷进行了预测,验证了组合预测模型的优越性。最后,通过对三种组合预测模型的预测结果进行对比,选择一个最适合电力负荷历史数据的模型,通过该模型对我国社会用电量进行预测,获得了较好的预测效果。     

基于卡尔曼滤波-SVR时刻峰值的短期负荷预测

以提高短期负荷预测中的时刻峰值精度为目标。为了给电力调度部门提供各时刻负荷分配的极限值,以一天中24个时刻的负荷峰值代替一天96点的负荷作为研究对象,并且在支持向量机的回归拟合(SVR)基本算法基础上,提出了一种SVR预测值经过累积式自回归—移动平均模型(ARIMA)的卡尔曼滤波调整的短期负荷预测模型。该模型利用ARIMA模型建立卡尔曼滤波方程;并将SVR预测值作为观测值,通过卡尔曼滤波的递推方程组,求得最终的负荷预测值,从而实现卡尔曼滤波-SVR预测。经过实例验证该模型可以有效提高短期负荷预测的精度。     

电力短期负荷的多变量混沌预测方法

为提高电力短期负荷预测精度和充分利用混沌短期预测优势,拓展单变量时间序列相空间重构到多变量时间序列中,相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列,计算了多变量时间序列的嵌入维数和延迟时间并用RBF神经网络预测负荷。研究表明多变量重构相空间技术的预测效果优于单变量重构。