基于堆叠稀疏降噪自动编码器的地区风电场群高精度超短期风电功率预测

为解决风电功率预测过程中面临的风电数据量大且复杂化以及如何提高预测精度的问题,基于堆叠稀疏降噪自动编码器提出地区风电场群高精度超短期风电功率预测方法。该方法采用自编码器对输入风电功率数据进行降维提取特征,为进一步增强自动编码器的抗干扰性,对其引入稀疏性约束和降噪技术。该方法能够有效降低数据的解析难度和提高特征提取的可靠性。通过实际算例验证,该预测方法可有效提高多风电场功率预测的精度。     

基于集合经验模态分解和编码器-解码器的风电功率多步预测

准确的风电功率预测对于推动风电大规模并网具有积极意义,现有的研究多集中于超短期范围内的单步预测。为了实现更加贴近工程应用实际的风电功率多步预测,提出了一种基于集合经验模态分解和编码器-解码器的风电功率多步预测方法。首先采用k均值聚类算法对风电机组进行聚类,然后引入集合经验模态分解算法对机组群功率序列进行分解,从而提取风电场功率的时空分布特征,通过预先搭建的基于门控循环单元的编码器-解码器预测网络实现风电功率的超前多步预测,最后将各预测值重构获得风电场总功率的预测值。利用某风电场的真实数据进行算例分析,结果表明所提算法在超前1～6 h不同应用场景下的预测性能均优于其他传统模型,预测准确度提升了6.45%～13.56%。     

基于长短期记忆网络的风电场发电功率超短期预测

精确的风电场发电功率超短期预测对电力系统的经济调度和安全稳定运行意义重大。为充分利用多数据源中的有效信息来进一步提高风电场超短期发电功率的预测精度,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的多变量风电场超短期发电功率预测方法。该方法首先利用距离分析法筛选出与风电功率相关程度高的变量,进而降低数据的规模和复杂程度。然后利用LSTM网络对多变量时间序列进行动态时间建模,最终实现对风电功率的预测。采用美国加州某风电场的实测数据进行验证,结果表明,文中方法能够有效利用多变量时间序列进行风电场发电功率的超短期预测,较人工神经网络和支持向量机拥有更高的预测精度。     

风电场输出功率的多时段联合概率密度预测

风电场输出功率波动性较强,难以精确预测,掌握其输出功率的分布规律对含有风电场的电力系统的运行决策具有重要意义。文中在分析风电场有功功率输出特性的基础上,提出了风电场输出功率多时段联合概率密度预测,利用风电场输出功率在时段间较强的相关性,估计其波动的幅度与速度特征,为系统运行提供更全面的决策信息。结合多元回归估计常条件相关—多元广义自回归条件异方差(CCC-MGARCH)模型与稀疏贝叶斯学习方法,给出了一种基于数值天气预报信息的风电场输出功率短期多时段联合概率密度预测方法。该方法依据CCC-MGARCH模型思想,将未来多个时段内风电场输出功率的联合概率密度预测问题分解为:风电场在各个时段内独立的输出功率概率密度预测子问题和时段间关联的输出功率预测误差相关系数矩阵估计子问题,利用稀疏贝叶斯学习方法在概率密度预测问题上的优势,形成预测效果好、计算效率高的风电场输出功率多时段联合概率密度预测方法。应用实例与分析说明了该方法的有效性。     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

基于堆叠稀疏自编码器和深度森林的窃电检测模型

为了提高窃电检测模型的检出率和准确率，提出一种基于堆叠稀疏自编码器和深度森林的窃电检测模型。通过使用用户用电量数据训练堆叠稀疏自编码器，以降低总体重建误差为目标，确定堆叠稀疏自编码器的层数及隐藏层输出向量维度，实现对用户用电特征更有效的提取。将最后一层稀疏编码器隐藏层的输出向量作为深度森林的输入特征向量，对输入特征向量进行多粒度扫描，使用级联森林实现特征深度融合与窃电检测。基于某市6 000个用户用电量数据对该模型的性能进行验证，实验结果表明，对比其他经典窃电检测模型，所提窃电检测模型具有更高的检出率和准确率。     

基于AMSDAE-BLSTM的工业过程质量预测

针对具有噪声干扰及延迟等特性的工业过程质量预测，本文提出了一种嵌入注意力机制的堆叠降噪自编码器与双向长短期记忆网络的方法。首先以无监督方式构建自编码器模型，利用高斯噪声对工业数据进行一次重构以实现去噪及去冗余作用；再次嵌入注意力机制对过程变量权重分配进行二次重构以实现深度特征提取；最后采用双向长短期记忆网络学习重构数据的时间序列趋势特征，克服数据间的延迟性，充分挖掘过程变量与质量变量间的潜在关系，实现精准预测。通过脱丁烷过程的单质量变量预测和硫磺回收过程的多变量质量预测仿真实验，验证了本文方法比BP、LSTM、BLSTM和DAE-BLSTM方法具有更精确的预测效果。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于优化稀疏编码的超短期负荷滚动多步预测

小时级的超短期负荷预测是调度部门制定日内滚动计划的基础。该文提出了一种基于优化稀疏编码的超短期负荷多步预测算法,对未来4h的负荷进行滚动预测。首先,将历史负荷功率序列组成具有时延的特征字典和目标字典,并利用稀疏编码算法建立多步预测模型;然后,基于负荷曲线的相似性特性,借助实时的负荷功率特征向量与特征字典中原子的拓展符号化距离对特征字典原子进行筛选,提高了稀疏编码的预测精度;最后,对预测结果进行误差分析。针对负荷爬坡时段误差偏大的问题,通过基于负荷增量预测值的修正模型进行优化,进一步提高了预测精度。采用实际负荷数据进行分析,验证了所提方法的有效性。     

限出力条件下风电场集群有功功率优化分配方法

受电网建设与风电场建设不协调、外送通道输送能力不足等因素影响,风电场弃风问题日益严峻,且短期内无法得到有效解决。结合中国大规模风电基地开发建设特点,建立了一种基于超短期功率预测的限出力条件下的风电场集群有功功率优化分配方法。该方法将限出力条件下的风电场集群有功出力最大化、线损最小化作为目标函数,将系统安全、风电场输出功率、风电机组频繁启停、低预测功率作为约束条件,许计及了联络线上有功功率损耗以及超短期有功功率预测误差的影响。以中国西北地区某风电场集群进行的箅例分析验证了方法的有效性和可行性。     

基于多位置NWP和门控循环单元的风电功率超短期预测

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响.为充分利用NWP信息,考虑多个风电场的空间相关性,提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型.首先,通过随机森林分析多位置NWP信息对风电场发电功率的重要程度,利用累积贡献率提取NWP中的有效信息,将加权的NWP信息与历史功率数据作为预...     

含超前控制的风储系统滚动最优控制策略

新一轮电力体制改革要求进一步提高风电跟踪计划能力,电池储能为此提供了途径但成本较高。为提高其经济性,提出一种风电场电池储能最优控制策略,其以最优化模型为核心,并包含超前滚动优化算法。最优化模型以储能下令次数最少为优化目标,包含统计学控制效果约束及荷电状态、死区控制等储能运行约束。超前滚动优化算法利用超短期风电功率预测,在统计学控制效果的每一个10min考核周期内进行实时的滚动超前控制,并不断修正预测误差的影响,保证各项约束得到满足。仿真结果表明,所提最优控制策略显著提高了风电跟踪计划精度,并在此前提下大幅减少了储能下令次数,且对超短期风电功率预测误差具备一定的抗干扰能力。     

基于神经网络平均影响值的超短期风电功率预测

针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。     

基于误差前馈预测的多时空尺度风电集群有功功率分层控制策略

随着风电渗透率的提高,风电场存在的可预测性和可调度性差等问题已经凸显。针对上述因素导致风电消纳水平降低的问题,文章提出结合误差前馈预测的风电集群有功功率分层控制策略。首先,提出考虑风电变化趋势的误差前馈模型,将其与小波包分解和持续法模型相结合组成超短期功率预测模型,并根据历史数据的训练情况赋予误差前馈限值。其次,基于此预测模型提出一种多时空尺度的有功功率分层控制策略,该策略在已有调度指令的前提下,通过将控制层分为集群层、场群层和子场层,实现对各风电场的协调控制。最后,基于东北某风电基地的实际运行数据通过MATLAB和CPLEX进行仿真分析,结果证明所提方法改善了风电消纳水平和风电场储能协调出力。     

基于Bagging混合策略的多风电场稀疏向量自回归概率预测

风电功率预测对电力系统的安全稳定运行具有重要意义。针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,?KDE)的稀疏向量自回归预测方法。首先通过时间序列分解和余项自举,生成若干自举时间序列。对于每个时间序列,采用向量自回归(vector autoregression,?VAR)模型进行预测。针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵。每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果。在真实风电集群数据上,验证所提多场站概率预测方法的有效性,采用分位数得分评估概率预测精度。相关实验结果表明,该方法可以有效提高概率预测精度。     

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提取不同层次变量的时序特征,并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次,利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次,针对不同的波动类型建立对应的误差修正模型,并输入经Xgboost算法筛选出的强相关特征因子,实现误差修正。最后,采用实际海上风电场数据进行实验,其结果表明所提方法能够有效预测超短期海上风电功率,且预测精度高于多种传统预测模型。     

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。     

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MEEMD-LSSVM的风电功率超短期预测研究

针对风能的波动性和间歇性,提出了一种基于改善集成经验模式分解（MEEMD）和最小二乘支持向量机（LSSVM）的风电功率超短期预测方法,首先利用MEEMD将功率序列根据频率高低分解为特征不同的本征模态分量（IMF）,然后计算各IMF的样本熵,合并熵值相似的IMF分量。对合并之后的各IMF分量分别进行LSSVM子模型建模,最后将各分量建模结果叠加得到功率预测曲线。基于大连风电场现场数据的检验结果说明,该方法预测精度较高且运算时间合理,适用于工程上风电功率的预测。     

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。