基于组合模态分解和深度学习的短期风电功率区间预测

风电功率预测对含风电的电力系统经济调度十分重要。针对点预测难以描述风电功率不确定性的问题,提出一种基于组合模态分解和深度学习的短期风电功率区间预测方法。首先,利用改进自适应噪声完备集合经验模态分解将原始风电功率序列分解为多个模态分量,并使用变分模态分解对其中的高频强非平稳分量再次分解。在此基础上,使用样本熵计算各分量复杂度并将其重构为趋势分量、振荡分量和随机分量。然后,将3个分量分别输入经贝叶斯优化的双向长短期记忆神经网络建立各自的预测模型,得到3个分量的点预测值,并用混合核密度估计方法对振荡分量和随机分量预测结果的误差分布进行估计,再结合点预测值得到总体的区间预测结果。最后,通过实际算例分析表明,与其他模型相比该方法具有更高的预测精度。

计及灰水负荷预测的区域型热补偿系统调控策略

传统供暖手段以热电联产机组作为主要热源,由于热电联产机组具有电热耦合的特性,因此运行时会产生热电负荷不匹配问题。为缓解这一问题,提出了一种集中供暖与区域型热补偿系统共同参与的供暖手段。对用户侧的灰水生产情况进行灰水生产活动预测,量化预计可回收热能,并结合光热电站的余热,将二者一同作为集中供暖的补偿热源。根据用户侧的热负荷特性以及光热电站和灰水热能回流系统的供热特性,构建区域型热补偿系统的运行优化模型,使用模型预测控制方法制定系统模型的调控策略。最后,通过设置算例仿真对比可知,所提出的调控策略能够回收利用原本废弃的热能,在实现供暖目标的同时保证了系统的经济性和环保性。