风电场风电功率预测研究综述

随着风电上网电量不断增大,为了保证风电上网的安全、可靠性,对风电功率进行预测有着重要的意义。从输入数据分类的角度展开风电场风电功率预测研究论述,介绍了国内风电功率预测的现状,分析了不同方法的特点,提出了对风电功率预测模型改进的建议。     

风电场功率预测及风储能系统可靠性分析

基于风电场的日前数据对风电场功率进行了预测,之后引入储能系统以应对预测偏差对实时运行开机发电容量的影响.在仿真中结合风电实际出力,通过调整储能系统的功率和容量的配比来预测偏差,之后根据仿真数据对系统可靠性进行了分析和评估.     

风电场功率预测物理方法研究

对风电场输出功率进行预测是增加风电接入容量、提高电力系统运行安全性与经济性的有效手段,风电场功率预测的物理方法不受历史数据的限制,可用于新建风电场的功率预测。对基于物理原理的风电场功率预测方法进行研究,提出了适用于工程应用的预测方法,该方法采用解析原理分析风电场局地效应与风电机组尾流影响,具有鲁棒性强、计算时间短等特点。通过与某风电场实测功率比较,表明预测方法可以实现对风电场各种典型出力方式的预测,整体预测与逐点预测的准确性满足功率预测的工程应用要求。受数值天气预报(numerical weather prediction,NWP)计算网格分辨率与模式的影响,预测方法对风电场输出功率快速变化的预测能力相对较差,提高NWP数据的准确性是改善预测结果的有效手段。     

风电功率预测误差分析及预测误差评价方法

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。分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图。可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产。     

基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用。根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法（ANFIS）进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测。以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性。     

基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用.根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法(ANFIS)进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测.以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性.     

基于统计升尺度方法的区域风电场群功率预测

对区域性风电场群输出功率进行预测是增加风电接入容量,提高大规模风电接入条件下电力系统运行安全性和经济性的有效手段。文中对区域预测建模技术进行研究,利用输出功率相关系数矩阵和预测精度指数进行代表风电场选取和权重系数计算,采用基于少数代表风电场的统计升尺度方法,并利用华北电网2011年1月至6月风电场实际数据进行统计升尺度建模和方法验证。验证结果表明,相比于传统的累加法,统计升尺度方法可改进所实现的区域风电功率预测模型的区域预测精度,同时减少区域预测模型对单个风电场数据完备性的依赖。     

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。     

基于混沌时间序列的大型风电场发电功率预测建模与研究

通过对风力发电系统的发电功率时间序列进行低维非线性动力学建模,表明该时间序列呈现混沌特性。在此基础上,利用混沌时间序列的相空间理论建立了风力发电功率神经网络预测模型,对风力发电功率的短期预测进行了分析和研究,并得到了较高的精度。本文研究数据均来自大唐赛罕坝百万千瓦级风电场。     

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。     

短期风电功率预测误差综合评价方法

对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提.当前风电功率预测误差评价主要采用均值类指标,无法全面、准确反映预测系统的运行情况.文中总结了风电功率预测误差的主要存在形式,提出了一套包含纵向误差、横向误差、相关因子与极端误差等在内的综合评价方法.基于内蒙古某风电场实际数据,采用该方法对不同预测方法、预测系统的不同误差环节进行了较为全面的评价,验证了评价指标的指导价值.     

基于数据驱动的风电功率预测误差解耦评价方法

针对风电功率预测中多环节交互影响的复杂性,文中提出一种风电功率预测误差的精细化评价方法,旨在利用数值天气预报、气象观测数据、风电运行数据等多源异构信息,定量分析功率预测各关键环节对预测总误差的影响程度。首先,解析了风电功率预测运行机理,将预测过程分解为数值天气预报、风能-功率转换建模、预测结果校正3个关键环节。然后,设计了基于核密度估计的风电异常数据分区间辨识方法,建立了风资源-电力特性的简化模型。最后,基于气象、电力等多源运行数据驱动,提出功率预测各环节等效误差的量度方法。算例结果表明,所提方法可定量评估各环节预测对功率预测误差的影响。     

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。     

短期风电功率预测方法

提出了以混沌相空间重构为基础的混沌时间序列预测方法。为提高预测模型的预测精度和泛化能力,利用C-C方法对相空间重构参数的优化进行了综合计算。预测模型采用加权一阶局域法,以某风电场的风电功率数据进行训练和预测。实际算例表明,该综合方法具有很好的预测精度和实用性。     

关于短期及超短期风电功率预测的评述

讨论风电功率预测及其误差对电力系统的影响,从信息流观点解读风电功率预测过程,归纳影响风电功率预测精度的因素,并对风电功率预测的研究现状加以归类与梳理。在此基础上,讨论对风电功率预测结果评价指标的要求,提出误差评估指标应该反映整个时间窗口内的预报质量,并展望风电功率预测可能的突破。     

基于神经网络的酒泉风电基地超短期风电功率预测方法

风电的随机性和波动性给电力系统调度运行带来了一定的困难,以我国首个千万kW级风电基地甘肃酒泉风电基地为例,研究了基于神经网络的酒泉风电基地超短期风电功率预测方法,并对风速和风电功率实时数据进行了分析处理。在此基础上,基于神经网络算法和贝叶斯规则进行了超短期预测建模过程分析。最后,通过预测结果对预测模型进行了验证分析,验证结果表明预测模型合理、预测精度高,该预测结果可以为调度运行人员提供参考。     

集对分析理论在风电场风速区间预测中的应用

风力发电的出力直接取决于风速,因此需要提高风速的预测精度。考虑到风速点预测精度的提高有较难克服的瓶颈,文中提出一种针对风速的区间预测方法,将集对分析原理引入风速的区间预测中,利用风向、温度、气压、湿度等影响因素的训练数据,并考虑风速点预测的结果误差分布及风速变化率的影响,确定未来某时间段内风速的预测值所属的分类集合,以该分类集合的上下限作为风速预测区间的上下限,从而实现了风速的区间预测。以国内某风电场的数据进行训练和预测,验证了基于集对分析理论的风速区间预测方法的有效性,同时所提方法的预测结果可以用于风电场功率预测。     

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。     

基于连续时间段聚类的支持向量机风电功率预测方法

提出了一种基于连续时间段聚类的支持向量机风电功率预测方法。通过2次聚类把全年分为若干个类型的连续时间段,并对同类型时间段使用支持向量机建模,建立后的模型用于其他年份对应时间段的预测。与神经网络相比,支持向量机建模方法避免了局部最优。利用国内某风电场数据进行对比实验,证明了所述方法的有效性。