人工智能技术在新能源功率预测中运用探析

本文分析新能源功率预测相关内容,并从模型输入与模型搭建两方面研究和阐述人工智能技术在新能源功率预测中具体运用,充分利用该项技术,不断优化与提升新能源功率预测流程和精度,解决传统预测方法所存在不足,进而将新能源预测的作用在电网运行管理中最大限度地发挥。

基于人工智能技术与物理方法结合的新能源功率预测研究

构建新型电力系统是我国“双碳”战略的重要目标,新能源功率预测是降低风电、光伏随机性影响的核心关键技术。为此,建立了一个基于人工智能技术与物理方法结合的新能源功率预测系统,该系统可对风力、光伏构成的新能源组合进行精确预测。首先,构建了基于人工智能技术与物理方法结合的新能源功率预测系统的架构,并阐述了系统主要采用的混合算法。其次,针对风力和光伏预测的特点,分别建立了风力和光伏的短期预测系统。最后,通过基于基于人工智能技术与物理方法结合的新能源功率预测系统实现了风能和光伏的功率预测。结果表明,预测系统在预测结构和流程多个部分的人工智能方法与物理学模型协同工作,实现了风光系统短期功率预测精度的提高。

数据清洗在新能源功率预测中的研究综述和展望

新能源功率预测是提高新能源场站控制,保障高比率新能源发电接入电网安全稳定运行的关键技术。目前,由于通信故障、设备异常、人为限电等不确定性问题,导致新能源场站的实测数据中含有高比例异常数据,进而降低了功率预测的精度。有效的数据清洗可以提高数据质量,使新能源功率预测结果更加精确。本文首先概述了数据清洗的主流方法;然后对异常数据进行详细分类,从异常值剔除和缺失值重构两个方面重点阐述和分析了现有数据清洗方法的基本思路、应用条件以及优缺点;最后指出了未来数据清洗中值得关注的问题和方向。

面向新能源功率多时空尺度精确预测的机制创新与平台建设探索

构建以“新能源”为主体的新型电力系统迫切需要从全网统筹的角度对新能源功率进行更加精确化的预测和预测结果实用化的应用,以此提高大电网接纳高比例新能源能力、改善电力系统运行安全性与经济性。立足以调度实际需求为导向,以解决问题成效为衡量标准,以“开放、高效、实用”的理念、机制革新实现科技创新,提出一种调度机构视角下新能源多时空尺度精确预测的机制创新探索及创新平台的实施方案。从顶层设计、机制创新思考及创新平台的架构和主要功能等多方面展开探讨,力求依托技术、管理双创新,探索调度机构实施新能源功率预测水平提升的新路径。

基于TL-LSTM的新能源功率短期预测

新能源功率预测是实现主动配电网运行态势精确感知的关键。针对新能源功率的不确定性和波动性,提出了一种融合迁移学习(TL)和长短期记忆神经网络(LSTM)的新能源功率组合预测方法。引入k-shape聚类算法对不同区域新能源提供的时序数据进行聚类,同时利用各个聚类生成若干预训练模型;结合形态距离指标,选择与目标序列最接近的聚类作为辅助数据簇以准备迁移学习;借助辅助数据簇所对应的预训练模型来完成TL-LSTM模型的训练,且在所有模型的训练过程中利用差值化处理方法避免预测结果出现“滞后”现象。以我国某实际风电场和光伏电站为典型算例,验证所提预测方法的有效性。结果表明,该方法提升了新能源功率短期预测的精度,并能够在小样本环境下进行新能源功率的预测,有较高地泛用性。

电网调度新能源预测技术探索与实践

新能源大量接入电网,对电力保供、运行方式安排及负荷预测等工作带来更高要求。汉中公司通过探索研究新能源装机规模发展情况,分析新能源发电特性对电网安全运行的影响,聚焦调度技术支撑和管理提升,主动应对陕西低电压等级新能源场站下放地调控制趋势,重点从电网调度新能源功率预测平台、区域新能源场站功率预测数据采集、开展新能源预测数据分析与展示等方面实践,解决了地市公司新能源预测“盲调”难题,安全支撑全网平衡、电网安全约束和安全稳定运行,助力新能源体系建设实践。

新能源不确定功率预测方法综述

新能源的不确定性功率预测研究能在传统预测模型基础上提高其预测精度并提供一定的概率信息和预测区间。从误差概率密度预测、区间预测两个方面对新能源功率预测的不确定性进行分析,总结归纳了各种不同的模型及其优缺点和评价指标,并探讨了新能源不确定功率预测存在的问题及今后需要深入研究的方向。

基于调控云的新能源运行监测与调度系统的应用浅析

随着我国新能源装机占比越来越大,大范围资源优化调度与清洁能源消纳给电网安全经济运行带来越来越大的压力。在电网现有的调控云的基础上,将新能源的应用移植到调控云上,基于调控云平台实现对新能源并网的监测与调度,可有效提高电网对新能源的消纳能力。

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。