基于改进Markov链模型的风电功率预测方法

由于风资源本身的随机性和波动性,大规模风电接入将给电力系统的安全、经济运行带来严峻的挑战。因此,对风电功率的准确预测,以及对风电接入后系统状态的预估具有重要意义。首先通过大量历史样本统计,构建基于Markov链模型的风电功率概率预测方法,并在传统的Markov状态空间划分方法的基础上,根据风电出力的分布特点,应用不等分法划分状态空间,通过将风电功率的预测结果与实际结果比对,验证了该方法在提高风电功率预测精度上的有效性。     

基于多状态空间混合Markov链的风电功率概率预测

现有风电功率预测方法只提供功率的单点预测值,但在电力市场的决策过程中却需要更多的信息。文中提出一种基于离散时间Markov链理论的新功率预测模型。针对功率数据的无规律性,采用等分法划分了4种状态空间,并对每种状态空间都建立1阶和2步混合Markov模型,模型权重系数采用加速遗传算法求解。该模型直接对风电功率数据进行数值分析,有效避免通过风速预测再转换为功率时带来的误差累积。给出4种混合模型和最新的评价误差公式。分析和算例表明,N为102时混合模型预测精度高于持续法模型,并给出了单点预测值和概率分布值。     

基于PSO-GA-SVM 的风电功率短期预测

风电功率精确预测是电力系统稳定运行的必要条件之一。文章以中国某一地区收集到的风速数据为基础,通过一定的分析方法建立了SVM风电功率预测模型,采用以粒子群为优化算法的PSO-GA混合算法来优化SVM预测模型。通过分析SVM、GA-SVM、PSO-GA-SVM三种模型的预测结果,并与实验数据相比较,仿真表明PSO-GASVM模型预测精度更高,PAO-GA混合算法优化效果更好。     

基于 RCNN-SVR组合模型短期风电功率预测

提出一种回归卷积神经网络与支持向量回归组合模型 (RCNN-SVR),采用该模型预测短期风力发电功率. 首先搭建了一种回归卷积神经网络 (RCNN)模型;由于 RCNN 存在计算量大的问题,因此利用 RCNN 从数据集中 提取特征因素,并用特征因素训练支持向量回归 (SVR)对风电输出功率进行预测;最后采用某风电场数据集进行验证,结果表明 RCNN-SVR模型比单独使用的传统 RCNN 模型或支持向量机具有更高的准确率.其中,RCNN-SVR 模型的 CV-RMSE、MAE和 MAPE分别为０．０９９８、０．３９２８和０．５４６８,说明 RCNN-SVR模型有效地提高了预测精度 和输出结果的稳定性.     

基于改进GM-ARMA组合模型的风电功率中长期预测方法*

风电功率预测是提高风电场功率上报准确率和风电场收益、提高大规模风电并网后电力系统的安全和稳定性的有效方法.目前对于风电功率超短期和短期预测的研究已取得了阶段性研究成果,但是对于风电功率中长期预测方面的研究尚未取得实质进展,预测效果难以满足实际工程应用的需要.针对现有风电功率中长期预测方法存在的缺陷,提出了一种基于改进GM-ARMA组合模型的风电功率中长期预测方法,采用遗传算法优化组合模型的参数,以得到最优模型,进而提高了风电功率预测精度.仿真结果表明该方法对年度和月度风电功率预测均有较好的应用效果,比普通GM-ARMA组合模型具有更高的预测精度.     

基于改进马尔科夫链的风电功率时间序列模型

模拟风电功率时间序列在风电并网系统的规划和评估研究中具有重要意义,针对原始马尔科夫链在风电功率建模上无法保留其自相关性的不足,构建了一种基于改进马尔科夫链的风电功率时间序列模型。首先分析了风电功率的季节特性、日特性和波动特性;然后将风电功率数据按照不同月份及时段进行了细致划分,生成相应的状态转移概率矩阵;最后,对风电功率波动量的概率分布进行拟合,并叠加波动量,建立了基于改进马尔科夫链的风电功率时间序列模型。实例分析表明,本文所建新模型生成的风电功率序列能够保留历史序列自相关性,同时在一般统计参数、概率密度分布和自相关性三方面的准确性也优于已有模型。     

基于人工神经网络的短期风电功率预测

风力发电近年来已进入规模化发展阶段。由于风能的随机性和间歇性特征,风电场输出功率往往具有波动性,因此其功率预测对接入风电的电力系统的安全稳定运行及保证电能质量有着重要意义。基于人工神经网络模型,对风电场输出功率进行24小时短期预测,并分析该预测模型的可靠性和精确性,提出改进方法和进一步研究方向。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

风电功率预测准确性分析

风电并网容量迅猛增加,风电与系统之间的联系越来越密切,必须考虑风能的波动性和间歇性引起风电出力的变化给电力系统电能质量、安全稳定运行和经济效益带来的不利影响。因此,进行风电功率预测具有重要的现实意义。首先对风速和风电出力预测的分类和方法进行了探讨,然后简要综述了国内外风功率预测技术的研究现状,最后针对我国现阶段风电功率预测产生误差的原因进行了阐述并提出了建议。     

短期风电功率动态云模型不确定性预测方法

高比例风电并网场景下,电力系统优化运行势必对风电功率预测精度及其不确定性分析结果的可靠性提出更高要求。现有的不确定性预测研究中大多为整体性的误差分析与建模,难以满足模型在各个时刻和各类天气下的适应性。因此,提出了动态云模型的短期风电功率不确定性预测方法。首先,建立各个预测功率区间段内的单点预测误差云模型,利用云模型数字特征(期望、熵、超熵)生成云滴分布图,以此量化预测不确定性态势。然后,计算给定置信水平下的云滴分位点,以及与之相对应的预测功率可能发生波动的置信范围,即风电功率预测不确定性分析结果。根据实时条件更新云模型,可以提高各个运行时刻点不确定性预测结果的可靠性。以中国北方某风电场运行数据为例进行验证,结果表明与传统的分位数回归方法相比,所提方法可靠性有所提升,能够为电力系统调度决策、备用安排等提供更为可靠的指导信息。     

基于神经网络的风电功率预测与模型优化方法

精准的风电功率预测是电力的合理调度的重要依据和电力系统的平稳运行的重要保证。本文提出了组合残差网络和门控循环单元的风电功率预测模型。该模型使用残差网络提取风电数据的多维非线性特征,之后将特征向量时序化并作为门控循环单元网络的输入。残差网络将前面的时序特征与当前时刻的特征相结合,可以取得比普通卷积网络更好的非线性时序特征。门控循环单元网络比传统的长短期记忆网络有更简单的结构和更高的预测精度。本文通过实验的方法优化了所提出的模型中残差块的个数和门控单元的个数。在法国La Haute Borne风电场的风电数据上的仿真实验表明,本文提出的方法具有令人满意的预测精度。     

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。     

基于小波神经网络的风电功率预测

风力发电是新能源发电中技术之一,对促进电力工业调整、减少环境污染、推进技术进步具有重要意义.然而,目前风力发电的大规模使用还存在一定的难度,开展风电场功率预测的研究势在必行,基于小波理论及神经网络的方法,开展相应的研究.     

基于高斯混合分布模型的风电功率预测误差统计分析研究

针对风电功率预测误差的统计分析,研究了一种基于高斯混合模型的风电功率预测误差分布,采用期望最大化算法,从统计学角度分析了风电功率负荷预测误差数据,并且在理论上证明了该方法的合理性。该方法的优点在于,无论其统计分布是怎样的,所有风电功率预测误差的概率密度函数都可以使用高斯混合模型近似表示,然后进行适当的子模型削减。通过对高斯混合模型与其他各种统计分布模型的性能进行比较,证明了高斯混合模型在风电功率预测误差统计分析应用中的有效性。     

基于空间相关性的风电功率预测研究综述

由于风电具有很强的随机性和波动性,因此大规模风电并网会对电力系统的运行和稳定性造成很大的影响。如何准确预测区域风电场的功率已经成为当今电力系统亟待解决的研究课题。现有的风电功率预测方法未考虑空间相关因素,预测体系有待进一步完善。基于空间相关性的风电功率预测是一种考虑了本地信息和空间相关信息的综合预测方法。文中给出了基于空间相关性的风电功率预测的定义、概念和基本特点,分别从统计模型、物理模型、空间降尺度过程和空间升尺度过程4个方面详细阐述了基于空间相关性的风电功率预测的实现方法,并对空间相关性在风电功率预测方面应用的最新国内外研究进展作了系统的分析评述。最后,针对该领域尚存在的问题与不足,总结了今后的发展方向和需要进一步探索的研究内容。     

风电功率预测研究方法综述

风电场穿透功率不断加大,对电力系统安全、稳定、经济、可靠运行造成威胁,因此进行风电功率预测,不断提高预测精度意义日益突出。针对已有的风电功率预测方法,按照预测时间尺度、预测模型对象和预测模型原理不同,对风电功率预测方法进行系统分类,详细综述了组合预测方法和区域预测方法。并列表给出各预测方法的优缺点及适用场合。针对目前风电功率预测存在的一些问题,提出相应改进措施。     

短期风电功率预测概念和模型与方法

随着并网风电容量的持续增加,风电强随机性给电力系统安全稳定运行带来了挑战,风电功率预测受到广泛的关注。文中较为全面地综述了国内外对风电功率预测的研究现状,着重从风电预测基本理论、风电预测方法和风电预测热点研究问题3个方面展开,主要介绍了确定性风电预测、概率性风电预测、风电爬坡事件预测、大数据和深度学习方法等方面的研究进展。     

风电功率GARCH预测模型的应用研究

根据风速变化的特点,选择了适于描述波动变化特性时间序列的GARCH方法.分析风速小时变化曲线的残差项,发现其存在着ARCH效应,满足ARCH的建模条件.采用美国夏威夷岛Lalamilo的风速数据,建立了ARCH和GARCH风速变化时间序列模型,预测目的日逐点预测误差的平均值为25.1%.经过与ARIMA算法的比较,预测的精度有所提高.运用风电机组出力与风速的关系,转换后得到了所需要的风电机组出力.对集群性不同的时间序列进行了多次数值计算,发现GARCH模型对波动性序列具有更好的适应性.     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。