计及多储能单元出力水平的风功率波动平抑控制方法

在风电场侧配置电池储能是缓解风电功率波动、提高风电可调控性的有效途径。为满足风功率波动平抑要求,提出了一种计及多储能单元出力水平的风功率波动平抑控制方法,充分考虑多储能单元实时出力能力,在兼顾功率平抑目标的同时实现减小储能电池能量调用、各储能单元充放电切换次数、放电深度及荷电状态波动区间。首先分析了滤波时间常数对风功率平抑效果以及储能功率分配方法对各单元荷电状态变化的影响;其次引入超短期风功率预测,根据风功率预测数据建立滤波时间常数优化模型,得到滤波时间常数最优解以及最小储能功率指令;然后分析了各储能单元出力水平与功率平抑需求的影响,进一步提出了一种分层复合式储能单元功率分配方法,实现了多储能单元的功率指令分配,避免了各储能单元频繁与过度充放电,有利于延长使用寿命;最后以湖南省某实际风电场为例,通过实际算例验证了所提方法的有效性。

基于多粒度时间卷积网络的超短期风功率预测

针对传统风功率预测方法通常基于固定时间粒进行研究,但该类方法往往忽略了其他时间粒度对风功率的影响的问题,提出一种基于多粒度时间卷积网络(MGTCN)的超短期风功率预测方法,使用时间卷积网络来挖掘多粒度视角下的风力机数据特征,并设计多粒度特征融合模块来增强模型的鲁棒性,提高风功率预测精度。首先,利用随机森林算法(RF)得到与输出功率相关性较强的部分特征数据;然后,对筛选后的特征数据进行多粒度划分,通过时间卷积网络(TCN)提取各个粒度的独立特征。最后,使用挤压激励网络(SENet)对不同粒度特征进行自适应加权融合,得到最终预测值。采用中国某风场数据进行算例分析,结果表明相较于其他方法,所提方法在24步预测任务和6步预测任务上取得了最佳的预测性能,具有较高的准确性和稳定性。在24步预测任务上归一化均方根误差、归一化平均绝对值误差和决定系数指标分别为0.152、0.108和0.7214,在6步预测任务上各指标分别为0.1027,0.0683和0.8717。

基于特征选择及ISSA-CNN-BiGRU的短期风功率预测

针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。

基于AVMD-CNN-GRU-Attention的超短期风功率预测研究

为提高超短期风功率的预测精度,提出一种改进的基于变分模态分解的卷积神经网络(AVMD-CNN)、门控循环单元(GRU)和注意力机制(Attention)的超短期风功率预测模型。首先利用改进的VMD将风功率序列分解为K个子模态;然后将各子模态利用样本熵(SE)和中心频率进行分类,根据分类结果对各子模态分别给定归一化方式,并按SE值分别输入到GRU-Attention和CNN-GRU-Attention模型中进行训练和预测;最后将各子模态预测结果叠加得到最终结果,从而完成超短期风功率预测。以决定系数(R^(2))、平均绝对误差(MAE)、均方根误差(RMSE)以及平均绝对百分比误差(MAPE)为精度评估指标,实际算例表明,所提出模型的R^(2)较文中其他方法平均提高12.06%,MAE、RMSE以及MAPE分别平均降低59.36%、62.49%和48.34%,具有较高的预测精度。

新疆达坂城风区顺风向脉动风功率谱

为研究新疆乌鲁木齐所处达坂城风区的复杂脉动风环境,基于实测风场风速数据分析并拟合了该风区的顺风向脉动风功率谱。结果表明:以反比例函数拟合山区峡谷地形平均风速与湍流强度的关系误差较小;山区峡谷地形湍流积分尺度分布较离散,但整体随平均风速的增大而增大;考虑地形系数的Kaimal修正谱在含能区和惯性子区间能较好地表征实测谱,在耗能区选用三参数拟合描述实测谱效果良好;选用过渡函数来描述惯性子区间与耗能区接触区域的功率谱,拟合效果较为理想。可见达坂城风区具有特殊顺风向脉动风特性,以修正谱和拟合谱分段构成的函数模型可用于表征该风区顺风向脉动风功率谱。

基于果蝇优化算法的风功率预测数据可信度量化分析

针对风功率预测数据精度较低,可信度难以度量的问题,研究了基于果蝇优化算法的风功率预测数据可信度量化分析方法。采用一次指数平滑方法平滑处理风功率预测的历史风速数据,将完成平滑处理的数据输入LSSVM风功率预测模型中,该模型设置线性最小二乘系统作为支持向量机的损失函数。选取果蝇优化算法优化LSSVM风功率预测模型,设置风功率预测的均方根误差作为果蝇优化算法的适应度函数,获取LSSVM风功率预测模型的最优参数,量化分析了风功率预测数据可信度。实验结果表明,该方法预测风功率的均方根误差低于0.3,具有较高的风功率预测数据可信度。

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。

基于威布尔分布的风功率密度计算方法比较

[目的]风功率密度是风资源评估重要参数之一,准确地计算风功率密度有赖于风频威布尔分布拟合的准确性,对它进行正确地分析和评估有助于降低投资风险和提高投资决策的可靠性。针对目前风资源评估缺少威布尔分布拟合准确性方面的研究,文章旨通过研究比较那种威布尔分布拟合具有较高的精度,从而提高风资源评估的准确性。[方法]对目前国内外采用的5种威布尔模拟风频分布的方法进行研究,引入决定系数来确定威布尔模拟的准确度,比较威布尔函数计算风功率密度与实测数据计算风功率密度绝对误差和相对误差大小。[结果]结果表明:能量因子法EPF和最大似然法MLE模拟出来的威布尔拟合决定系数高于其他方法,包括经验法(EPJ和EPL)和最小二乘法(LLSA)。用这两种方法所得的参数计算风功率密度,与实测数据计算所得的风功率密度相比较,其绝对误差和相对误差也小于其他3种方法。[结论]研究结果可为风资源评估时选择何种威布尔方法计算风功率密度提供参考依据,客观地反应风电场风资源情况,提高风资源评估的准确性。

基于改进灰狼算法优化WLSSVM的短期风功率预测

为提高风功率短期预测的准确率,提出一种基于改进灰狼算法优化加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLSSVM)的短期风功率预测方法。采用C-C法对风功率时间序列的嵌入维数进行了计算,根据计算结果确定短期风速预测输入量与输出量的关系。利用Tent映射和参数非线性调整策略对灰狼算法进行改进,得到了优化性能更强的改进灰狼优化(Improved Grey Wolf Optimization,IGWO)算法,并利用测试函数验证了IGWO算法能够加快迭代收敛,提高计算精度。采用IGWO算法对WLSSVM的惩罚系数和核参数进行优化,建立基于IGWO-WLSSVM的短期风功率预测模型。采用某风电场春夏两个不同季节的风功率数据进行算例分析,结果表明,所提短期风功率预测结果的平均相对误差、均方根误差和最大相对误差更小,风功率预测精度和预测结果的稳定性均优于其他方法,验证了所提方法的有效性和实用性。

川西高原山地风功率观测及特征分析

利用四川省风速观测数据及川西地区气象站和测风塔的资料,对川西高原山地的风能资源进行了观测和特征分析。收集的数据涵盖了不同海拔高度和时间段的风速和风向信息,为分析风功率分布和频率分布提供了基础数据。为了更深入地分析风能特性,利用测风塔对川西地区的风场进行了全面测量。通过采用特征分析方法,对测量数据进行了预处理,计算了空气密度、风功率密度,并分析了风功率密度在一天内的变化、风频率分布及轮毂高度估算,得出的结论表明该地区的风能资源具有相当大的开发潜力,为该地区风能资源开发、风力发电项目的规划和设计提供了科学依据和数据支持。

川西高原山地风功率日变化情况研究

以川西高原山地风功率日变化情况为研究对象,对风功率数据进行了预处理和自相关系数分析,并探讨了高原山区风电特性对风功率的影响。通过对川西高原山地风功率数据的自相关系数进行计算,分析自相关系数的峰值和周期,发现风功率具有日周期性,每间隔一天就会出现一次较强的正相关,同时在一定周期内风功率也会出现较强的负相关性,表明风功率的变化可能受其他因素的影响。通过探讨不同地形和气象要素对功率预测的影响,发现风速和风向是影响风电出力的主要因素。

海上风功率预测精度的影响因素及提升方法研究

相比于陆上风电,海水的高比热容、海上的风流热效应等独特的地理环境使得海上风资源的随机性和间歇性更强,进而导致海上风功率变化较大且难以预测。目前,风功率预测相关研究主要集中于陆上风电,少有针对海上风电功率模型的分析和讨论。通过对海上风资源的特点、风功率预测案例的分析研究,并以我国北方某海上风电场为例,深入分析海上风电功率预测模型的关键影响因素,明确算法层面和非算法层面存在的问题,提出了潜在改进方案的相应思路与方法,可供进一步研究参考。

基于MI-CEEMDAN-RF-LGBM的风功率预测分析

针对传统的风功率预测精度无法满足现场实际需求的问题,提出了一种基于互信息(MI)-完全自适应噪声集合经验模态分解(CEEMDAN)-随机森林(RF)-轻量级梯度提升机(LGBM)多种算法融合的风功率预测模型。采用MI法对风向、风速、温度等一系列风机参数数据进行特征选择,选出与风功率强相关的参数变量;利用CEEMDAN算法对原始风功率序列进行特征分解,将其分解成多个模态分量;为了防止建模输入过多造成数据的冗余,采用RF算法进行二次特征选择,对提取出的特征变量进行特征选择,进一步筛选出与风功率原始序列具有较高相关性的特征变量;利用LGBM算法、极限学习机(ELM)以及深度信念网络(DBN)分别建立风向预测模型,选择出建模精度更高的风功率预测模型。采用桂林某风电场53 747组、每组间隔为10min的风功率、风向、风速等风机参数数据进行试验,验证了所载模型的有效性。

基于分形特征的自适应EEMD及其在风功率预测中的应用

人为设定白噪声的幅值和加噪次数及白噪声自身的随机性会对集合经验模态分解(EEMD)方法的分解结果造成不确定性,导致EEMD应用于风功率预测时不能实现最佳的分解效果。该文研究了白噪声参数对EEMD分解效果的影响机理,并提出基于分形特征的自适应EEMD方法。在不同的白噪声及白噪声参数下,EEMD分解所得到的模态分量具有不同的分形维特征,采用粒子群算法寻优获得EEMD处理某一信号的最佳参数,实现对信号的准确分解。同时结合具有良好非线性建模能力的长短时记忆(LSTM)网络方法对自适应EEMD分解得到的模态分量进行预测,利用仿真信号及两个风电场实际风功率数据进行分析,自适应EEMD避免了白噪声的随机性及人为设定参数对EEMD分解结果带来的不确定性影响。与3种基准预测模型对比,自适应EEMD结合LSTM模型预测两组风功率的RMSE显著降低,验证了该文研究方法的有效性。

基于EEMD-GRU-MC的短期风功率组合预测方法

针对风功率间歇性强、随机波动性大而导致的模型预测精度不高的问题,将数据分解技术、基于人工智能的预测模型和误差修正技术结合起来,提出一种集成集合经验模态分解(ensemble empirical mode decomposition,EEMD)、门控循环单元(gated recurrent unit,GRU)和马尔科夫链(Markov chain,MC)的短期风功率组合预测方法(EEMDGRU-MC)。首先,利用EEMD算法将历史风功率序列分解为一组相对平稳的子序列,以减少随机波动分量和无序噪声对预测模型的影响;然后,使用GRU模型分别对各子序列进行预测,并将各子序列的预测值叠加得到初步的预测结果;最后,为了进一步提高预测精度,利用MC预测残差的未来状态,对EEMD-GRU模型的预测结果进行修正。以云南省某风电场的短期功率预测为例对本文方法进行了验证,大量算例结果表明,相比于ARIMA、LSTM、GRU、EEMD-LSTM和EEMD-GRU模型,所提出的组合预测方法具有更强的预测精度和泛化能力,在不同季节的平均绝对预测误差均小于2%,表现出良好的短期风电功率预测前景。

改进黑猩猩算法和LSSVR-BiLSTM双尺度模型的短期风功率预测

为提高风功率预测精度,提出一种基于改进自适应白噪声完全集合经验模态分解(ICEEMDAN)、排列熵(PE)、改进黑猩猩优化算法(ICHOA)、最小二乘支持向量回归机(LSSVR)和双向长短时记忆(BiLSTM)网络相结合的短期风功率预测混合模型。通过ICEEMDAN将非平稳的原始风电序列分解为相对平稳的模态分量,并使用PE聚合来降低计算复杂度。分别将BiLSTM模型和LSSVR模型应用于高频分量和低频分量的预测。采用ICHOA用于优化模型的参数。将每个预测分量值叠加得出最终预测结果。算例分析结果表明,所提LSSVR-BiLSTM双尺度深度学习模型与其他模型相比,能更好地拟合风功率数据,具有较高的预测精度和可行性。

基于对比学习辅助训练的超短期风功率预测方法

利用深度学习方法提高风功率超短期预测精度能够给电力系统日内机组组合、超短期经济调度、和电力备用安排提供更精确的风功率预测结果,对进一步提高电力系统运行的安全性和经济性具有重要意义。本文针对当前深度学习特征提取模块对时序曲线中的隐式特征和趋势变化的相似性提取不充分的问题,提出一种基于对比学习辅助训练的超短期风功率预测模型,主要包括输入模块、特征提取模块、对比学习辅助模块和回归模块。该模型通过自监督的对比学习算法自主生成正负样本、并以拉开正负样本的映射空间距离为目标来辅助训练特征提取模块的网络参数,使得特征提取模块的映射结果中包含了输入信息相似性的隐式特征,进而减少数据冗余信息、增强样本关联性,最终提高风功率预测精度。实验结果表明,对比学习方法的平均绝对误差比长短期记忆网络和轻量梯度提升机方法分别下降了19.9%和6.5%,有效提高了风功率预测精度。

基于图卷积网络和风速差分拟合的中长期风功率预测

为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络(GCN)、风速差分拟合(DF)、粒子群优化算法(PSO)的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。

风电场风功率异常数据识别与清洗研究综述

风电场中风机停机、传感器故障等会造成风功率数据中包含有大量异常值,影响到风电场状态监测、功率预测等工作的正常开展。针对风电场风功率异常数据识别与清洗技术开展了综述研究。首先,概述了风力发电运行大数据现状,分析了风电机组与风电场的风功率数据的分布特征,并对比了两者的不同;然后,分析了基于统计、机器学习和图像处理的各类异常数据识别方法的优缺点,结合基于物理特性、统计学和机器学习等数据重构技术,讨论了实现数据清洗的方法及其优劣;再次,概述了风电场异常数据识别与清洗技术在状态监测和功率预测等领域的应用情况;最后,对风电场异常数据识别与清洗技术存在的挑战和发展趋势进行了展望。