基于IKLIEP-四分位模型的风电场异常数据识别算法

风电场功率数据中包含大量异常数据,难以反映风电场真实的风能情况,会影响风电功率预测的精度,从而影响电网决策。针对该问题,通过分析风电场异常数据特征,将其分为堆积型和分散型,并基于时间序列变点检测理论,将密度比是否为恒值作为剔除堆积型异常数据的判断准则,采用改进Kullback Leibler重要性估计程序(improved Kullback Leibler importance estimation program,IKLIEP)剔除堆积型异常数据;再采用四分位法剔除分散型异常数据。最后将所提方法应用于国内蒙西某130.5MW的风电场,实验结果表明所提方法能够更有效地识别并剔除异常数据,平均识别率提高了6.19%,误识别率降低了2.92%,验证了所提方法的有效性。     

基于EMD分解和集对分析的风电功率实时预测

风电功率时间序列的随机性和波动性使得风电功率多步预测时难以达到理想的预测准确度,因此,提出一种基于经验模态分解(EMD)和集对分析的风电功率实时预测模型。该模型首先将风电功率时间序列经EMD分解,处理成有限个相对平稳的分量;然后利用极值点划分法,按波动程度相近的原则将分量重构为高频、中频和低频3个分量;最后对3个分量各自的特点针对性地建立预测模型,并将3个分量的预测结果叠加作为原始风电功率的预测值,用滚动的方式实现多步预测。采用3个不同装机容量的风电场的实测风电功率数据进行仿真,结果表明该方法提高了多步预测的准确度,显示出了良好的预测性能。     

基于近似熵的电力系统负荷预测误差分析

为深入探究负荷时间序列预测误差的影响因素,提高负荷预测精度,提出近似熵算法,用于定量刻画负荷时间序列的规律性,全面认识负荷预测误差的成因。采用近似熵算法对负荷时间序列进行分析,确定其规律性的强弱。在此基础上,针对负荷时间序列的规律性与预测误差之间的关系进行研究。算例分析结果表明,近似熵算法可以有效刻画负荷时间序列的规律性,且负荷时间序列的规律性与其预测误差之间有着较强的相关性,证明了方法的正确性和有效性。     

基于改进熵权法的风电功率组合预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。采用单一预测模型进行预测时,都会有各自的优势和劣势,为了更好地提高风电功率预测精度,提出了基于改进熵权法的风电功率组合预测方法,并同时采用滚动式权重,以此来实现对单一预测模型的互补。以吉林省西部某风电场的实测数据为例进行分析,说明了基于改进熵权法的风电功率组合预测方法在对风电功率进行预测时的有效性,同时证明了滚动式权重可以实现对权重的不断更新,使各权重值能够反映出风电功率的最新变化,从而实现了对风电功率预测精度的提高。     

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段.通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型.分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法.针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度.     

基于风速升降特性及支持向量机理论的异常数据重构算法

风电机组历史功率数据是进行风电研究的重要基础,而风电机组实际采集到的数据中存在大量的异常数据,这给风电功率预测研究带来许多不利影响。对历史数据的风速-功率对应关系进行研究,识别并剔除异常数据。分析风速升降变化对功率的影响,建立SVM数据重构模型。根据风速升降特性及强相关风电机组的出力特性对数据重构模型加以改进。以风电机组的实测数据为例进行仿真计算,结果表明所述方法能够对异常数据进行有效地识别和重构。     

考虑水电库容弹性的电力系统经济调度

随着负荷的增长与新能源的接入,电网运行的安全域不断减小。为此可充分挖掘电网的运行弹性空间,扩大电网运行安全域,实现资源的优化配置。文中提出水电库容弹性空间概念,并建立了考虑来水不确定性和风险成本的库容运行弹性模型;基于此提出了考虑库容弹性空间的经济调度模型,以用于评估考虑库容弹性后的电网运行效益。此外,基于KKT（Karush-Kuhn-Tucker）条件,推导了库容弹性与电网运行状态量之间的灵敏度关系,并提出了关键库容弹性的灵敏度辨识方法,进而在电力系统运行时优先利用关键库容弹性。最后,通过IEEE 30节点系统和某地区的实际电网验证了所提方法的有效性。仿真结果表明,所提方法能够在考虑水库防洪风险控制需求的基础上,有效利用水电库容弹性空间来灵活地调整库存水量,促进水电、风电消纳,降低电网运行成本。     

基于混合半云模型的风速-功率曲线建模方法

风速-功率曲线的准确建模是风电机组出力态势评估和风电功率预测的关键基础之一。计及风电映射关系的不确定性及功率曲线的分布形态,提出一种基于混合半云模型的建模策略来实现对风功率数据固有和随机分布特征的挖掘和建模。引入最优组内云熵算法快速有效地剔除异常数据;采用逆向云发生器求取期望、熵与超熵数字特征来定量刻画风速-功率对应关系的不确定性,构建腰部数据的半云模型;通过X条件云发生器和正向云发生器分别求取腰部和上部数据的功率云滴,实现定性数字特征向定量数据的转换。以中国东北某大型风电场的实测数据为例,从数据质量、频率分布和风功率预测等维度分析混合半云模型,验证了所提方法的可行性。     

基于FA-PCA-LSTM的光伏发电短期功率预测

准确的短期光伏功率预测是调度部门合理制定发电计划、保证电力系统安全性和经济性的关键性技术.针对光伏出力可预测性低的问题,提出了一种结合因子分析(factor analysis,FA)、主成分分析(principal component analysis,PCA)和长短期记忆网络(long short-term memory,LSTM)的光伏发电短期功率预测方法.首先采用因子分析对多元数据序列信息进行分析,提取相关性较高的公共因子并优化样本.然后通过主成分分析对优化后的多元数据序列进行筛选,在充分利用序列信息的基础上降低数据规模和复杂程度.最后,利用LSTM网络对多元数据序列与光伏功率序列之间的非线性关系进行动态时间建模并预测.采用中国新疆某光伏电站的实测数据进行验证,算例分析结果表明所提预测方法的有效性.     

基于原子稀疏分解和混沌理论的风电功率超短期多步预测

为提升大规模风电场风电功率超短期预测精度,减少由风电功率大幅度波动对电力系统带来的不利影响,提出一种基于原子稀疏分解(Atomic Sparse Decomposition,ASD)和混沌理论的风电功率超短期多步预测模型.首先,利用ASD良好的序列趋势跟踪特性,将风电功率时间序列分解成多个原子趋势分量和一个残差随机分量;其次分别利用自适应预测法和混沌理论对两分量进行超短期预测;最后,将两分量的预测结果叠加,得到最终的风电功率预测结果.选取我国东北某区域风电功率数据为例,算例结果表明,相较于传统预测模型,本文的预测方法能够有效地提升大规模风电场风电功率超短期预测精度.