基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林(RF)分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析(SSA)去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制(FA)自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。

极端风况下风电场弹性量化评估方法

在构建以新能源为主的新型电力系统大背景下,针对极端条件下风电场弹性评估问题,提出了一种基于蒙特卡洛模拟的极端风况下风电场弹性量化评估方法。在阐明风电场弹性概念的基础上,基于多阶段弹性多边形提出了风电场弹性量化与评估指标,并通过对极端风况事件和风电场状态建模提出了各部件失效判定方法,通过完善降级与恢复阶段模型提出了基于顺序蒙特卡洛模拟的风电场弹性评估方法。最后,在算例中评估了4种类型风电场基础设施与运营弹性,并通过分析设备物理强度与冗余性能等因素对弹性的影响规律,验证了所提出方法的有效性。