基于前置分解组合预测方法的风电功率爬坡预测研究

我国高集中大规模的风电并网发展模式,使风电功率的波动性和不确定性对电网稳定造成越来越大的影响。在目前风电功率爬坡研究的基础上,提出了一种结合前置分解的组合预测算法,并建立了组合预测模型。通过对风电功率爬坡事件的特性分析,对其进行了有效地预测。文章以上海市启东风电场的风电功率数据为实例,通过仿真验证了所提出的组合预测算法能有效地进行风电功率爬坡预测,其预测精度比当前的预测算法有所提高。

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。

基于ASTFA-ELM的风电功率爬坡预测

在风电功率爬坡的理论基础上,阐述了研究风电功率爬坡的定义和原理,提出了一种ASTFA-ELM的风电功率爬坡组合预测方法,并结合数值天气预报的气象因素和历史爬坡量数据建立了组合预测模型,通过对风电功率爬坡事件特性分析,对爬坡情况进行有效的预测,最后以风电场的实际历史数据为实例,仿真验证了所提方法的有效性,可以提高预测精度。

基于时空相关性的光伏发电功率爬坡预测方法

传统的光伏发电功率预测方法爬坡预测可靠性较低,准确性不高。于是提出一种时空相关性的光伏发电功率爬坡预测方法。在典型日理想光伏发电出力归一化曲线提取基础上,采用线性插值方法生成光伏发电理想出力归一化曲线。通过蒙特卡洛法生成光伏发电随机分量,结合光伏发电与随机分量生成光伏发电序列;通过偏移爬坡率及变量状态划分方法构建信度网络节点变量和各节点变量的状态集;利用贪婪搜索算法从已有变量的状态集中获取最优信度网络结构后,进行光伏发电序列学习,完成光伏发电功率爬坡事件预测。实验结果表明,上述方法可有效完成光伏发电序列生成,并且爬坡预测可靠性较高,可实现多种气象条件下的光伏发电功率爬坡预测。

基于相似性修正的风电功率爬坡事件预测方法

为了满足爬坡预测所需的长期高精度风电功率预测要求,提出基于相似性修正的风电功率爬坡预测方法。该方法首先根据Granger因果检测法提取数值天气预报(numerical weather prediction,NWP)中对风电功率预测有效的气象变量,保证基于气象变量和统计模型的混合预测模型的可实现性,并以支持向量回归模型作为基本预测模型。其次,结合历史数据分析气象背景相似性与爬坡事件相似性,给出相似爬坡事件的选取机制。考虑到较高精度的风电功率预测可提高爬坡预测的性能,为此,结合相似爬坡的功率变化修正风电功率的预测结果,并由误差指标分析验证修正模型的优越性。最后,对实际算例进行仿真分析,验证基于相似性修正的风电功率预测模型的可行性。

基于频繁模式挖掘的风电爬坡事件统计特性建模及预测

风电爬坡事件的统计特性建模和精准预测有利于电网的安全稳定运行。文中首先通过参数分辨率自适应算法对大型历史风电数据库进行爬坡事件检测,得到风电爬坡事件的历史学习集。对该学习集进行数据挖掘,建立了单个爬坡事件的起点、终点、持续时间以及爬坡间隔的多属性联合统计特性模型,并得到爬坡事件的基本模式。通过关联规则算法建立了多个相邻爬坡事件之间的自相关性统计特性模型。在此基础上,提出了爬坡事件序列预测算法的基本概念和模型。算例结果表明,所提算法能够更为直观地描述爬坡事件的统计特性,且基于事件序列的预测算法能够较好地进行日前的爬坡预测。

基于混合神经进化算法的风电爬坡分类预测

针对风电场风电功率爬坡事件预测问题,提出一种分类预测模型。该模型将大气再分析数据输入的预测问题建模为二分类问题。另一方面,提出一种混合神经进化算法,将极限学习机等人工神经网络与进化算法相结合,对训练后的模型进行优化。由于风电爬坡事件发生的概率很低,因此是不平衡的。本文采用SMOTE采样方法,通过减少大多数类的数据样本来获得良好的结果。采用进化算法进行特征选择,以选择最优的训练模型。最后,通过算例仿真对模型进行评价,验证了模型的精度性能。结果表明,该方法在分类预测性能上具有较好的精度。

对于大规模风电功率爬坡事件的预测

从系统侧对风电爬坡进行预测,通过考虑频率偏差的准稳态潮流模型对风电功率爬坡事件进行分析计算。考虑大型风电场中平滑效应对风电输出的影响,对风电功率爬坡事件的预测进行修正。MATLAB平台上算例证明所提出的方法使预测结果有效性,对大规模风电爬坡预测有必要考虑平滑效应的影响。

风电爬坡事件研究综述及展望

风电爬坡事件易造成系统有功功率不平衡,破坏频率稳定性,甚至引起大规模切负荷,严重威胁着电网的安全稳定经济运行。从定义、预测方法和控制策略3个方面对风电爬坡事件的相关研究进展进行了综述。首先对比分析了爬坡事件的常用定义,明确了其优缺点和适用范围;其次,归纳了爬坡预测方法的研究现状,根据是否由风电功率预测结果判断划分为直接预测方法和间接预测方法两类,总结了常用预测方法评价指标;然后阐述了无储能的有限度爬坡控制策略的基本思想、控制方法和风储联合爬坡控制策略的原理以及研究进展;最后展望了风电爬坡事件未来的重点研究方向。

水库滑坡涌浪爬坡特征试验研究

由滑坡引起的涌浪灾害不仅严重威胁航运安全,还会冲毁码头、大坝等水工建筑物并造成沿岸居民生命财产的损失。采用物理模型试验的方法对散粒体滑坡涌浪的爬坡特性开展了研究。试验结果表明:影响涌浪爬坡高度的主要因素有滑坡入水速度、滑坡体规模、滑动面倾角、水深、传播距离和爬坡角度等;当涌浪远场传播形态类似椭圆余弦波或孤立波时,涌浪爬坡高度较高,岸坡处水流紊动剧烈,涌浪对岸坡的破坏能力也最强。根据试验结果还建立了近岸坡处涌浪最大波幅计算模型,并结合经典波浪爬坡经验公式推导出了新滑坡涌浪爬坡高度计算公式。以长江新滩滑坡为例,验证了新涌浪爬坡高度计算公式的精度。研究结果能为实际工程中可能存在的滑坡涌浪爬坡灾害范围预测和涌浪避险方案制定等提供一定参考。

基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大。因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型。首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵。然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相关关系,识别影响爬坡特征量预测误差的有效气象指标。最后,基于动态时间规整实现未来与历史数据库中具有相似特征的有效气象指标匹配,得到未来爬坡事件预测误差修正的参考集,并进行滚动修正。算例表明,该修正模型能有效降低爬坡幅值误差,提高爬坡事件预测的精度。

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。

风电功率预测方法综述

随着风电接入容量的持续增长,风力发电的间歇性和波动性对电网造成的影响越来越明显,因此风电功率预测方法的研究得到了广泛的关注。准确的风电功率预测可以给电网调度、机组组合操作、风电场运营维护等提供必要的依据。从3个方面对目前的风电功率预测方法和进展进行介绍。首先,介绍了两种确定性预测方法:仅使用历史数据的统计学习方法和使用了NWP(numerical weather prediction)数据的物理模型。其次,介绍了用于提供预测结果不确定度的概率性预测方法。最后,由于风电爬坡事件会对电网造成较大的影响,还介绍了目前风电爬坡事件预测方法的研究和进展。对现有的风电功率预测方法介绍后,提出了目前风电功率预测模型遇到的一些问题以及需要进行深入研究的方向。

新能源爬坡事件综述及展望

从爬坡的定义方式、预测方法、控制策略三个层面出发,对以风电、光伏为代表的新能源爬坡事件进行概述。列举爬坡事件常用的定义并分析其优劣性;总结爬坡事件目前主流的预测方法,根据是否利用功率预测结果分为直接法和间接法,并对常用的评价指标进行介绍;阐述目前爬坡控制策略常用的方法,按照有无储能参与分为无储能参与的有限度控制策略和有储能参与的联合控制;对目前研究仍存在的问题和未来重点研究方向进行总结。