计及风电功率误差的短期风电消纳评估

风电功率的短时大幅变化会对电网的可靠性与经济性产生影响,为更加准确地量化评估电力系统在较短时间内的风电消纳状况,需要考虑风电功率预测的误差。为此,基于风电预测误差的分布与自相关函数,生成风电预测误差时间序列,通过模拟实际系统的发电计划制定、自动发电控制、弃风、切负荷,计算可靠性指标与经济性指标,以此评估短期风电消纳状况。在IEEE 30节点系统上进行了不同预测误差分布参数以及AGC机组占比的仿真,从而验证了所提方法的有效性。     

基于EWT-ESN的短期风电功率预测研究

针对风电功率具有强非线性的特点,提出一种经验小波变换(EWT)和回声状态网络(ESN)的短期风电功率组合预测方法。EWT吸取了经验模态分解(EMD)和小波分析各自的优点,核心思想是根据信号中包含的频谱信息建立基于傅里叶支持的小波滤波器组。首先,通过提取频域极大值点对信号的Fourier谱进行自适应的划分,然后根据信号频谱特性构造正交小波滤波器组来提取信号中包含的具有紧支撑Fourier频谱特性的调幅-调频(AMFM)分量。EWT是在小波框架下建立的自适应信号分解方法,相比于EMD,其具有理论性强,计算量小,分解的模态数量少的优点。该文采用EWT将原始风电功率序列分解为具有特征差异的的不同分量,采用ESN对各分量分别预测并叠加来得到最终的预测结果;最后,将EWT-ESN方法应用在国内外两个短期风电功率实例中,实验结果表明,该文方法可有效提高风电功率预测的精度。     

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、...     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题,提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先,在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制,通过自注意力机制自适应的选择输入特征,并通过时间注意力机制捕获风电数据时间序列的长时间依赖性;判别模型采用卷积神经网络,提高模型的预测精度。其次,将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数,以提高模型的稳定性,同时为解决判别器缓慢学习的问题,引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后,以甘肃省酒泉市某风电场的实际运行数据为例,验证SAM-WGAN-GP模型不仅能自适应选择输入特征,而且可捕捉风电数据的长时间依赖性,并提高预测精度。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

基于数值天气预报的风电功率预测建模研究

基于数值天气预报的支持向量机风电功率预测方法,利用空间分辨率较高的数值天气预报来提高风电功率预测的准确性;通过优化选取NWP的网格点、物理层面及其之上的物理量对预测模型进行简化,提高预测程序的运行速度。采用辽宁省某风场的历史数据,验证了所设计预测算法的有效性,为数值天气预报用于风电功率建模提供了试验支撑。     

基于风电功率周期特性的组合预测研究

依据风电功率存在周期性分量,提出实时提取周期分量的风电功率组合预测模型,该预测模型将周期分量的单步周期预测值和剩余分量的单步混沌预测值合成为风电功率时间序列的单步预测值,将合成的预测值作为真实值加入到原序列中,构成新的时间序列,再次提取周期分量,进行下一次预测。以东北某风电场的实测有功数据为例,对风电功率进行实时预测,预测结果验证了模型的有效性。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于EEMD-WOA-LSSVM的超短期风电功率预测

针对风电场输出功率不稳定特性造成风功率预测精度不高问题.采用集合经验模态分解(EEMD)将风功率信号分解为若干个平稳的子序列,可避免经验模态分解(EMD)出现错误的本征模态函数(IMF)分量;利用相空间重构对分解获得的平稳子序列进行重构;提出一种鲸鱼算法(WOA),优化风功率平稳子序列重构参数和最小二乘支持向量机(LS...     

基于IBA-KELM的风电功率区间预测方法

在电力系统对功率预测提出更高要求的形势下,风电功率区间预测的方法已经逐渐成为新的热点。文章利用预测区间(PIs)的思想来估计风电场输出功率的不确定性。在优化区间预测目标函数的基础上,利用核极限学习机(KELM)学习速度快,泛化能力强的优点,提出一种基于KELM的风电功率区间预测模型。并使用改进后的蝙蝠算法(IBA)对模型的参数进行优化。为了克服BA易陷入局部最优的缺点,增加了其搜索时的多样性,并加入动态惯性权重,使其收敛速度更快。最后,用河北某风电场的数据进行实验仿真,与传统BP神经网络模型和BA-ELM模型对比分析,结果表明文章提出的预测方法具有速度快,精度高的优点。     

基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测

风电功率的准确预测对电网的安全运行和经济调度起着重要作用,为进一步提高风电功率的预测精度,文章提出了一种基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测模型。首先,利用完全集成经验模态分解(CEEMD)对风电功率时间序列进行模态分解;其次,对分解的各个风电功率时间序列利用卷积神经网络(CNN)进行特征提取;再次,建立双向门控循环单元(Bi GRU)模型对各个风电功率时间序列进行预测,叠加各个分量的预测值;最后,对误差进行进一步分析与预测,利用随机森林(RF)进行误差修正,得到最终的风电功率预测值。实验仿真表明,该模型的预测效果明显优于传统模型,模型的平均绝对百分比误差(MAPE)仅为2.09%。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于改进灰色系统模型的风电功率预测研究

文章提出了基于灰色模型的超短期风电功率预测方法。灰色预测模型需要的运算数据较少,计算时间短,适于风电系统在线预测。首先,对GM(1,1)模型、灰色Verhulst模型和DGM模型预测步骤及理论公式进行阐述,并分析了相互关系及适用范围;其次,在运用改进模型进行功率预测时提出滚动预测机制,进行等维数据更新;最后,针对模型优化问题,讨论所取不同原始数据点数对预测精度的影响,并且研究了不同初始条件和不同背景值对预测误差的影响。以某风电场实际风机运行数据为研究对象,进行了风电功率预测,结果表明,模型所选数据点数和背景值提高了预测精度,改善了预测性能。     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。     

基于前置分解组合预测方法的风电功率爬坡预测研究

我国高集中大规模的风电并网发展模式,使风电功率的波动性和不确定性对电网稳定造成越来越大的影响。在目前风电功率爬坡研究的基础上,提出了一种结合前置分解的组合预测算法,并建立了组合预测模型。通过对风电功率爬坡事件的特性分析,对其进行了有效地预测。文章以上海市启东风电场的风电功率数据为实例,通过仿真验证了所提出的组合预测算法能有效地进行风电功率爬坡预测,其预测精度比当前的预测算法有所提高。     

基于QR-NFGLSTM与核密度估计的风电功率概率预测

为提高风电功率概率预测精度和缩短长短期记忆网络的训练时间,提出一种基于分位数回归结合新遗忘门长短期记忆(NFGLSTM)网络与核密度估计的风电功率概率预测方法.该方法对长短期记忆网络的结构改进,提出一种新的遗忘门结构,以缩短训练时间.基于分位数回归和NFGLSTM网络建立组合预测模型,得到风电功率点预测值和某一置信度下...     

基于混合优化算法的风电功率预测方法研究

准确的风电功率预测可以减少风电对电网的负面影响、降低电力系统的运行成本.风电功率预测在电力现货交易中具有重要意义,但风电功率序列不稳定,给预测带来困难.为提高预测精度,将变分模式分解(VMD)、最大相关最小冗余度算法(mRMR)、长短期记忆神经网络(LSTM)和萤火虫算法(FA)相结合,建立了一种混合优化算法.首先,利...