Research on Wind Power Prediction Modeling Based on Adaptive Feature Entropy Fuzzy Clustering

Wind farm power prediction is proposed based on adaptive feature weight entropy fuzzy clustering algorithm.According to the fuzzy clustering method,a large number of historical data of a wind farm in Inner Mongolia are analyzed and classified.Model of adaptive entropy weight for clustering is built.Wind power prediction model based on adaptive entropy fuzzy clustering feature weights is built.Simulation results show that the proposed method could distinguish the abnormal data and forecast more accurately and compute fastly.

风电租赁储能参与电能-调频市场竞价策略

风电参与市场化竞价运营,可有效激发风电的市场力及其主动租赁储能改善调频性能的积极性,在提升风电运营效益的同时,助力电网的调频调峰,但需解决风储调频性能指标优化及其电能-调频双市场竞价策略协同优化等关键问题。为此,提出了风电参与电能-调频市场竞价双层优化模型:上层为双市场多主体竞价出清模型;下层为各主体竞价策略优化模型,响应上层出清结果,优化调整竞价策略,达到各主体效益最大化。下层模型嵌套了考虑风电不确定性的储能运营商与风电集群储能租赁价格/容量主从博弈优化模型。双层模型联合求解,得出最终风电集群租赁储能容量及其双市场竞价策略。算例结果表明,所提方法能够提升风电运营效益,助力电网调频调峰。

融合迁移学习与CGAN的风电集群功率超短期预测

针对可再生能源不确定性导致电力系统消纳能力不足的问题,提出一种基于条件生成对抗网络与迁移学习融合的风电集群功率超短期预测方法。首先,分析了风电集群功率预测样本模式的不均衡性以及导致的神经网络预测误差偏移现象;其次,构建了条件生成对抗网络修复不均衡问题;最后,采用迁移学习结合时间卷积网络构建了风电集群功率超短期预测模型。测试结果表明,所提方法能够显著提高风电集群功率超短期预测精度。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于CBAM-LSTM的风电集群功率短期预测方法

风电功率的精准预测对我国实现“碳达峰”、“碳中和”的目标具有重要意义。传统的风电功率预测方法往往忽视了时间序列数据中的长期依赖关系和空间相关性,导致预测结果不准确。为了解决这个问题,文中提出了了卷积块注意力机制(Convolutional Block Attention Module, CBAM)和长短时记忆网络(Long Short-Term Memory, LSTM)相结合的模型。首先,使用CBAM对风电功率时间序列数据特征和数值天气预报中蕴含的空间特性进行提取,该模块能够自适应地学习时间和空间上的重要特征;然后,将提取的特征输入到LSTM层结构中进行功率预测。为了验证所提方法的有效性,使用中国吉林省某风电场的数据集进行验证,实验结果表明,与其他功率预测方法相比,文中所提方法平均绝对误差(Mean Absolute Error, MAE)平均降低2.67%;决定系数(R-Square, R2)平均提高23%;均方根误差(Root Mean Square Error, RMSE)平均降低2.69%。

考虑功率预测偏差和出力调节不确定性的风电集群功率分配策略

当因输电通道限制需对风电集群进行限电时,应考虑各风电场功率预测和调节能力的差异。考虑功率预测偏差和调节能力不确定性,构建机会约束规划和机会约束目标规划相结合的风电集群日前功率调度模型,并采用采样排序的方法将不确定变量转化为确定性变量对模型进行求解。对华北某地区风电集群进行案例分析,结果表明,在满足风电场间期望调度电量比例要求的基础上,相较于传统模型,所提模型能有效降低弃风率和系统负荷不平衡时的缺额电量。

基于谱聚类和多元变分模态分解的风电机组功率预测

传统的风电出力预测方法通常未能充分考虑机组之间的相似性和差异性,忽视了环境条件对风电出力的影响以及关键特征提取方法单一等问题。因此,提出了一种基于谱聚类和多元变分模态分解的人工神经网络风电出力预测方法。首先,为捕捉不同机组之间的相似性和差异性,对风速和风向进行谱聚类,构建风速-风向二维标签簇,并选取每个簇的中心机组以表征该簇的出力特征。接着,为更全面地描述出力与环境条件之间的关系,采用变分模态分解算法对聚类中心机组出力进行分解,同时将出力与风速、风向数据进行多元变分模态分解,得到不同频率的模态成分。最后,在预测阶段引入基于注意力机制的深度学习网络,对特征模态添加注意力机制后输入卷积长短期神经网络模型进行训练和预测,并通过误差修正模块得到同簇其他机组的预测结果。该方法相较传统方法在预测精确度上有明显提升,具有一定的实用性和有效性。

基于自适应优化AP聚类与BP加权网络的多区域复合短期风电功率预测

精准的风电集群区域功率预测对电源侧的竞价上网具有重要意义。由于同一地区多个风电场受气候影响波动程度相近,可看作具有时空相关性的风电场群,并以此进行集群的合理划分。为此,提出一种基于自适应优化近邻传播(AP)聚类与反向传播(BP)加权神经网络的多区域复合短期风电功率预测模型。首先,通过粒子群优化算法(PSO)优化AP聚类方法对风电场群的历史数据进行集群的聚类与划分;然后,根据得到的最优聚类结果构建风电场群子区域样本训练集;最后,利用基于相关系数权重的BP神经网络对各子区域进行功率预测。算例结果表明:所提方法在24 h日前预测相较传统叠加法与单一BP神经网络可提高1.35%和2.62%的精度,可表明该模型具有优越的预测性能。

风电机组数据采集与监控系统异常数据识别方法

为了解决原始的风电机组数据采集与监控系统(SCADA)中包含大量异常记录的数据、难以准确反映机组运行状态的问题,提出了一种带噪声基于密度的空间聚类(DBSCAN)模型的风电机组SCADA异常数据识别方法。该方法从分析风速-功率曲线的特点出发,采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数,避免了人工确定聚类参数的主观性,且参数选择过程可以完全自动化,实现了风电机组SCADA异常数据的有效识别。通过某风场中风电机组的监测数据进行实例验证,结果表明:所提方法能够在保证异常数据被剔除的前提下,保留尽可能多的正常数据,异常识别效果好于现有的k-dist图法和基于k-平均最近邻算法的改进算法(KANN-DBSCAN)。该研究可为开展风电机组状态分析提供参考。

基于HS-Clustering的风电场机组分组功率预测

为了寻求风电场功率预测精度和计算效率二者的平衡,提出了一种基于霍普金斯统计量与聚类算法(HSClustering)的风电场机组分组功率预测方法,该方法将霍普金斯统计量与聚类算法的优势有效结合,采用霍普金斯统计量确定场内机组分组个数,通过聚类算法识别不同机组的相似性将风电场分成不同的机组群,然后对每组机群分别建立功率预测模型,从而叠加得到整场输出功率;另外以实测风速、实测功率及二者组合作为机组分组模型输入,分析其对预测精度的影响程度。实例分析表明基于HSClustering的分组预测方法可以显著提高预测精度,同时保证较高的计算效率;风速是影响分组效果的主要因素,对于某些分组模型,功率又可以作为风速的重要补充。

基于改进的场景分类和去粗粒化MCMC的风电出力模拟方法

为实现风电出力时间序列的高性能模拟,文中提出了一种基于SAGA-KM(simulated annealing and genetic algorithms-K-means)算法实现典型风电场景分类和基于Copula函数进行风电日过程马尔可夫过程建模的风电模拟方法。SAGA-KM算法将传统KM算法与遗传算法和退火算法相结合,能显著提高风电场景分类效果;基于Copula函数建立的马尔可夫链精细概率模型,以去粗粒化方式实现马尔可夫过程蒙特卡洛模拟,克服了粗粒化引起的概率分布偏差。针对甘肃省某风电场数据进行实际模拟,结果表明文中方法生成模拟序列的统计分布特性、自相关函数特性和日均功率的分布特性与实测数据都非常接近,该方法能很好地保留风电序列的概率分布特性和随时间变化的波动特性,具有重要的工程实用价值。

基于网格型数值天气预报的风电集群日前功率预测方法

风电集群日前功率预测是省级及以上电网调控中心制定发电计划、促进风电消纳的重要基础之一。风电日前功率预测(次日0时至24时)本质上是构建数值天气预报与实际功率之间的映射模型。充分挖掘数值天气预报气象信息与功率之间的深层映射关系是提升风电功率预测精度的重要途径。利用网格型的数值天气预报并采用残差网络建立风电集群预测模型,挖掘风电集群所属空间三维网格型的气象分布与功率的关联关系。以实际运行数据进行仿真,结果显示所提方法在先进性和适应性两个方面均优于现有成熟方法。

基于模糊场景聚类的新能源风电消纳误差修正系统

电网容易受到场景约束的影响,新能源风电场无法送出大量风电,为了修正风电消纳数据,设计了基于模糊场景聚类的新能源风电消纳误差修正系统。分析系统运行场景,使用S5PV210微处理器,为系统提供丰富接口。设计误差修正控制器,避免系统修正过程出现误差。在多目标求解原则支持下,搭建模糊场景。根据风电场历史运行数据,计算基准调度方案对新能源风电消纳的结果,获取新能源风电消纳误差序列。确定最佳聚类数,结合历史异常数据修正误差。由实验结果可知,该系统风电功率序列统计结果与理想数据存在最大为1 MW的误差,弃风功率序列统计结果与理想数据一致,所设计系统误差修正结果较好。

基于风电场景概率的电热混合储能优化配置

为有效提高风电入网的经济性和可行性,文中提出一种考虑风电典型场景概率的电热混合储能优化配置方案。首先通过场景分析,利用K-means聚类法将大量风机历史出力数据简化为6个典型出力场景,确定各场景发生的概率,其中聚类数目由肘部曲线法和Dunn指数法综合确定;其次提出电热混合储能系统控制策略,建立适用于多场景的风储联合系统模型;最后,以经济性成本最低与弃风量最小为目标,建立包含电、热负荷综合响应的容量配置优化模型,并将场景概率以权值的形式加入到目标函数中,采用粒子群算法求解模型。通过仿真分析和与其他储能配置场景对比,发现所提配置策略能够提高风电利用率约16.12%,同时减少系统综合成本约43.76%,验证了所提策略的合理性和有效性。

计及规模化电动汽车调控潜力的含风电系统优化调度策略

针对目前现行较为固定的分时电价策略难以引导电动汽车参与系统风电消纳的问题,提出一种计及规模化电动汽车调控潜力的含风电系统优化调度策略。首先,从可调度时间和可调度空间两个角度出发构建电动汽车调控潜力评估指标,建立规模化电动汽车参与电网调控的潜力评估模型;其次,参考调控潜力评估结果进行电动汽车分群,建立兼顾风电消纳与电动汽车集群间差异的分群分时电价模型;然后,以电网侧总负荷峰谷差最低、用户侧电动汽车用户充电费用最低为目标,以电动汽车集群的充放电状态为决策变量,建立一种综合考虑电网与电动汽车用户利益的优化模型;最后通过实例仿真验证了所提方法的可行性与有效性。

基于多尺度分解的风火储协同调频控制策略

为提升风火两大主力电源对电网频率的主动支撑能力,提出一种基于多尺度分解的风火储协同调频控制策略。首先,考虑风火及储能参与电网调频时的不同响应时间尺度,提出基于小波包分解的频差指令多尺度分解方法及风火储分别响应中低高频差分量的互补匹配方案;提出适应火电调频响应特性的频差指令低频分量获取方法,发展考虑风电有功裕度和储能容量约束的风储出力自趋优调配方法,实现风火储与中低高频分量的精准对应;针对不同运行工况,提出基于调频裕度的风电场聚类分区方法及风力机有功功率智能调控方法,提升风电场对电网频率的主动支撑能力。仿真结果表明,所提策略能有效实现风火储联合参与一次调频,在满足约束的前提下,充分利用风储调频容量,有效改善系统频率特性。

基于邻近传播聚类算法的LSTM短期风功率预测

考虑气象数据与风电场的历史风功率数据特征,提出一种基于邻近传播聚类算法的长短期记忆神经网络风功率预测模型。利用邻近传播聚类算法(Affinity Propagation,AP)对NWP数据与风功率数据聚类,分别得到多个子集;同时,为了获得能更好反映风功率的特征,采用主成分分析法(Principal Components Analysis,PCA)对NWP子集数据降维处理;最后利用特征匹配方法分别建立基于长短期记忆神经网络预测模型。根据预测日的NWP数据与前一日功率数据选取最优匹配模型进行风功率预测。使用宁夏某风电厂数据进行仿真验证,实验表明所提出方法可以提高短期风功率的预测精度。

基于FCM和ITransformer-TCN的短期风电集群功率预测

准确的风电功率预测对于电力系统安全稳定运行具有至关重要的意义。针对当前在集群预测中存在集群划分不合理以及在短期预测中精度难以得到有效提升的问题,文中提出了一种基于模糊C均值(Fuzzy C-means, FCM)和ITransformer-时间卷积网络(Temporal Convolutional Network, TCN)的短期风电集群功率预测方法。首先基于FCM聚类算法划分子集群,再利用ITransformer-TCN模型双重特征提取的优势对各子集群建模预测,最后将文中方法应用于中国吉林省某风电集群,与其他方法对比RMSE平均降低了10.8%,验证了模型的有效性。

考虑电动汽车集群响应的分布式资源协同调度策略研究

在国家政策的大力推动下,分散式风电大规模并网,给河南乡村配电网运行带来严峻挑战。为充分调动电动汽车(electric vehicle,EV)群需求响应及小型抽水蓄能灵活性资源参与电网协同调度,采用Takagi-Sugeno-Kang(TSK)模糊模型量化电动汽车群的响应意愿,以明确电动汽车集群充电功率的可调节裕度。在此基础上,提出一种计及电动汽车响应不确定性的风电-电动汽车群-小型抽水蓄能协同运行模型,以弃风惩罚和激励成本最小为目标函数引导电动汽车及抽水蓄能参与功率调节。基于信阳某乡村地区10kV配电系统,验证了考虑电动汽车响应意愿对促进风电消纳和提升运行经济性的有效性,以及与小型抽水蓄能共同形成“风-储-荷”运行的协同效果。