不同时间分辨率的风功率时间序列ARIMA模型预测

以某风电场同一风力机为研究对象,采用自回归积分滑动平均模型(ARIMA)对5种时间分辨率实际输出功率的时间序列进行预测研究。结果表明:风功率时间序列某些明显的特征点,随着时间分辨率的减小而越来越少直至消失;对预测结果采用平均绝对误差分析,得出随着时间分辨率增大,ARIMA模型预测绝对误差呈现逐渐减小的趋势,1 min的时间分辨率误差最小。     

考虑功率数据相关性的风电功率超短期预测

通过对风电场内部不同区域风电功率序列的相关性进行分析,确定风电机组的空间差异性对风电功率预测产生影响,提出一种提高风电功率超短期预测效果的分层叠加预测方法。基于东北某风电场实测数据的算例分析表明,相同的风电功率预测方法,使用分层叠加法预测比整场预测误差小,更能提高风电功率超短期预测效果。     

基于图卷积网络和风速差分拟合的中长期风功率预测

为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络（GCN）、风速差分拟合（DF）、粒子群优化算法（PSO）的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。     

基于ARIMA与双层BP神经网络相结合的风电功率预测方法

为满足风电运行、维护及调度管理需要,提高风电功率预测精度,提出了一种基于ARIMA与BP神经网络的组合风电功率预测方法。介绍了时间序列法与BP神经网络法的基本原理,采用了新的结合方式,综合考虑了风速、风向、以及风电场当地的物理限制,建立了预测模型。通过对某风电场的实测数据进行分析预测及对比,结果表明,该方法能有效提高风电功率预测精度,具有较好的实际应用价值。     

风电场风功率实时预测效果综合评价方法

超短期风电功率预测对含大规模风电的电力系统安全经济运行有着重要意义。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

考虑风功率预测误差相关性的储能容量配置方法研究

根据风功率预测误差的联合分布,提出一种计算预测误差超出量的方法。为了衡量储能容量的效用,提出了储能利用量和储能损失量的概念,并给出了计算方法。考虑储能的收益和成本,分别从企业和社会的角度,提出了2个典型的储能容量优化模型。仿真结果验证了方法的正确性和可行性。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

考虑预测功率变化趋势的风电有功分群控制策略

风电随机性和波动性导致有功功率调节难度大,为此提出了考虑功率预测趋势的风电有功动态分群控制策略。该策略利用风电超短期功率预测信息和风电场实时运行状态将风电场动态划分6类机群,给出了对风电功率先降后升和先升后降2种非单调变化趋势风电场群的功率预处理方法。在此基础上,确定了各类风电场群的控制原则,通过分析有功功率调节能力给出具体分配方法。利用国内某风电基地超短期功率预测数据进行仿真,验证了所提策略的有效性,结果表明通过风电场动态分群和优化控制,能够实现风电场有功功率的平滑控制,减少输出功率的波动次数。     

基于量子遗传算法优化BP神经网络短期风功率预测

风力发电的不可控性,给电网带来了很多问题,所以当前迫切需要一种高精度的风力发电预测系统.对此,提出了一种结合量子遗传算法和BP神经网络的预测方法,通过量子遗传算法优化BP神经网络的权值和阈值.最后通过MATLAB试验仿真,验证了该方法可有效提高风功率的准确性.     

风电场短期风速预测探讨

针对我国在风电场短期风速预测的研究还不能达到令人满意程度的现状，通过分析国外在风电场短期风速预测领域的研究情况，结合实例提出并详细阐述了时间序列法在这一领域中的应用，结果表明所建模型具有一定的实用价值。     

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。     

稳健估计时间序列法在风功率预测中的应用研究

为了解决风力发电不稳定问题,提出风功率预测模型,通过预测风功率数据变化情况,为风力发电调控操作提供参考依据.其中,风功率预测模型建立在时间序列基础上,引入高阶AR模型进行设计.应用测量结果表明,稳健估计预测模型数列还原性能较高,预测误差在10％ 以下,符合风功率预测要求.     

基于神经网络的风功率预测问题研究

为了更准确地预报风力发电机出力,给出了一种基于神经网络的风功率预测方法。介绍了风功率预测的现状和相关标准,基于一般预测方法准确率、合格率低等因素的考虑,尝试采用BP神经网络对其进行优化。计算数据和仿真结果表明优化后的预测数据准确率、合格率更高,对风电场出力预测有一定的帮助。     

基于优化相空间重构技术的风电场发电功率预测研究

大规模风电的接入将对电网的规划建设、分析控制、经济运行以及电能质量等方面产生一定的影响,较为准确的风电功率预测可减少电网旋转备用,为电网运行调度提供可靠的依据。以中国某风电场为例,对风力发电功率的超短期预测方法进行了研究,提出了以混沌理论为基础、基于相空间重构的风电出力混沌时间序列预测的方法,对相空间重构参数的优化进行了综合计算,定性分析了风电出力时间序列的混沌特征,同时对应用嵌入维空间的具体预测方法进行了研究。实际算例表明该综合方法具有较高的预测精度。     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

微电网风/光发电功率预测软件的设计与开发

风力发电和光伏发电功率的预测是进行微电网能量调度计划制定的前提。运用基于时间序列法的风/光发电功率预测模型,引用等效平均风速概念,以提高风功率预测的准确度;采取在线滚动建模的方式修正基于时间序列法的预测模型,最后运用天气预报信息修正风/光发电功率预测的误差。设计了风/光发电功率预测软件的功能组成结构,制定了包括超短期、扩展短期与短期预测模块的程序流程,应用实例验证了所开发软件的实用性与有效性。     

基于组合预测的风电场风速及风电机功率预测

风电场风速及风电机功率预测的准确性对接入风电场的电力系统运行有重要意义.文中提出一种基于相似性样本的多层前馈(BP)神经网络风速预测方法,利用风速季节性周期变化的特点提高风速预测的准确性;结合时间序列分析与灰色预测方法研究了应用组合预测方法进行风电场风速预测,并在风速预测的基础上讨论了风电机功率预测.通过对国内某地区的实测风速数据分析,验证了该预测方法能够提高风速预测的准确性,具有较大的实用价值.     

基于改进KNN算法的风电功率实时预测研究

大规模风电并入电网将对电网的规划建设、分析控制以及电能质量等方面产生显著的影响,高精度的超短期风电功率预测可以对含大规模风电电力系统的安全调度和稳定运行提供可靠的依据。文章对风电功率的超短期预测方法进行了研究,以混沌理论为基础,对相空间重构参数进行了计算,提出了基于改进KNN(KNearest Neighbor)算法的风电功率实时预测方法,并且应用多个评价指标来对预测结果进行评价,以吉林西部某风电场实测数据为例,验证了模型的有效性。     

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。