短期风电功率预测误差修正研究综述

高比例风电并网的功率预测准确性,对新型电力系统的安全稳定运行具有重要作用。针对风电功率预测存在高不确定性,预测误差成因复杂,对短期风电功率预测方法及误差修正研究进行综述。文中根据预测原理的不同,对比分析不同预测方法的优势与不足。重点分析风电功率预测方法涉及到的各关键环节对误差影响的主要原因。从风电功率预测模型数据输入与输出的角度出发,介绍NWP风速横纵向误差修正应用研究现状,归纳总结基于功率波动理论和幅值特性的两方面风电功率预测修正的技术路线。最后考虑风电未来应用发展的实际需求,提出风电功率预测精度提升相关策略。

基于线性回归的风电功率预测误差修正方法

风电功率预测精度的好坏直接关系到发电计划的合理制定和风电功率的优先调度。为提高风电功率的预测精度,文中利用模式输出统计方法对风电功率的预测误差进行分析,根据模式输出统计方法可自动修正数值预报偏差特点,提出了基于线性回归的风电输出功率预测误差修正方法。基于实际风电场历史数据的研究表明,该方法数学原理简单、适用性强,可有效改善风电功率的预测精度,具有很好的工程实用价值。

基于混合特征双重衍生和误差修正的风电功率超短期预测

随着风电渗透率的不断提高,对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题,提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先,在原始功率特征中施加混沌噪声,构造出多条混沌扰动特征,改善原始功率特征分布过于单一的状况。其次,提出基于免疫算法的特征衍生算法,挖掘风电功率数据的潜在信息,增加优质特征数量,进而构建误差预测模型,通过预测风电功率预测误差修正风电功率预测结果,进一步提升预测准确率。最后,基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好,且相较其他传统预测模型精确度更高,验证了所提模型的有效性。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

基于WRF模式和风速误差修正的中期风电功率预测方法

随着新能源保供电的重要性日渐凸显,调度人员对中期风电功率预测的需求程度也进一步加深。针对由预测前瞻时间增长导致的风速预测误差不断增大问题,提出一种基于中尺度数值天气预报模式(WRF)和风速误差修正的中期风电功率预测方法。首先,利用WRF模式获取高时空分辨率的数值天气预报数据;然后,采用混合高斯分布算法量化表征预测误差的时序规律,构建基于隐马尔科夫模型(HMM)的风速预测误差修正方法;最后,基于误差修正后的风速预测建立极端梯度增强(XGBoost)模型进行功率预测。算例分析表明,所提误差修正算法显著提升了风速预测精度,同时可有效降低中期风电功率预测误差。

基于特征选择及误差修正的风电功率预测

为有效提高风电功率预测的精度,提出一种基于特征选择及误差修正的风电功率预测方法。综合分析风速、温/湿度、风向等特征对风电出力的影响,提出了正交化最大信息系数(orthogonalization maximal information coefficient,OMIC)结合预测模型的特征选择方法,可优选出适配于预测模型的特征维数。针对预测模型训练中会产生的固有误差,提出用动态模态分解(dynamic mode decomposition,DMD)来跟踪误差数据的时空模态,DMD最大的优点在于其数据驱动性质,不依赖于任何参数设定以及先验假设,可以实现更快捷、简便的误差预测。通过特征选择、误差修正来优化预测模型,以取得更精确的预测结果。基于北方某风电场单台风机实际数据,将所提方法与深度学习模型结合进行预测,并对比了相关预测指标,仿真结果表明本文所提方法能够有效提升预测精度。

考虑风电功率预测误差分时补偿的电热联合系统多时间尺度调度

由于风电具有不确定性,风电功率预测误差难以避免。热力系统具备储放热能力,通过调整热功率平移风电功率,可以降低风电功率预测误差的影响。但在风电并入电热联合系统时,风电变化频繁,热力系统具有较大惯性和延迟,难以与风电功率同步;同时,热力系统不同区域对电力系统指令的响应速度也不同。因此,为了解决利用热力系统补偿风电功率预测误差时响应时间不同步的问题,提出了一种考虑风电功率预测误差分时补偿的电热联合系统多时间尺度调度策略。首先,分析概率区间误差评估和实时预测误差评估的评估周期。然后,研究热力系统中供热区域和管网的时间特性。最后,在日前阶段利用响应速度较慢的供热区域补偿评估周期较长的概率区间误差,在实时阶段利用响应速度较快的管网补偿评估周期较短的实时预测误差,建立了多时间尺度调度模型。算例分析表明,所提策略实现了不同调度周期、不同预测误差评估周期、不同热力系统区域响应速度在时间上的匹配,减少了风电功率预测误差的影响,提高了系统的风电消纳能力。

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。

基于数值天气预报风速误差修正的风电功率日前预测

风电预测技术对构建高比例新能源的新型电力系统具有重要意义。数值天气预报(numerical weather prediction,NWP)的数据质量对风电功率日前预测的准确性有较大影响。然而,NWP的预报误差、NWP预报点与风电场间的空间距离和局地差异,往往导致NWP预报数据与风电场实测数据间存在时间横向误差和幅值纵向误差。对此,提出了一种基于时间序列相关性检验和残差通道注意力网络的NWP风速误差修正模型,将预报点处NWP风速修正为风电场轮毂风速。然后,结合修正后的NWP风速和风电场实时出力数据构建了基于双向门控循环网络的风电预测模型。最后,以华东某风电场的数据验证了所提方法的有效性。

基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率误差3类,针对每类误差分别训练随机森林,得到对应的功率误差预测模型,最后将XGBoost模型预测结果和功率误差预测值相加即可得到基于误差修正的短期风电功率预测值。研究结果表明所提模型利用集成学习以及残差学习的方法提高了短期风电功率预测精度,因此所提模型可以促进风电消纳能力并提高电力系统运行的经济性。

基于误差叠加修正的改进短期风电功率预测方法

对风电功率进行较为准确的预测是合理调整含有风电的电力系统或微电网系统的调度策略,提高其运行稳定性与经济性的有效手段。在分析传统风电功率预测过程的基础上,从基本预测方法在功率预测过程中的使用策略角度出发,提出了不依赖于基本预测方法的新的改进预测思路。在这种改进方法中,增加了误差预测模型,对传统方法的预测值所包含的误差值进行预测,并将通过误差预测模型得到的预测误差与传统方法的预测值叠加作为改进方法的最终预测结果,并以反向传播(BP)神经网络作为基本预测方法对实际风电场进行实例验证分析。计算结果表明:提出的改进风电功率预测方法能够较大幅度地提高预测精度;提出的改进思路和传统改进思路不同,并不涉及基本预测方法内部特性且无需引入其他辅助方法,因而具有良好的通用性。

基于深度学习与误差修正的超短期风电功率预测

提出一种基于深度学习与误差修正的超短期风电功率预测方法。首先采用双向门控循环单元网络模型对风电功率进行点预测,提取初步预测误差。其次,采用随机森林算法构造误差模型,对初步预测结果进行修正。最后,采用核密度估计方法对修正后的误差进行概率分布拟合,计算置信区间。利用某风电场数据对风电功率进行多时间尺度预测,通过仿真验证该文方法的有效性和适用性。

基于DLCEEMDAN-SA-TCN和误差修正的短期风电功率预测

风电功率的精确预测能有效降低并网过程中给电力系统带来的波动,故文章提出一种基于时序分解和误差修正的风电功率预测方法。该方法首先利用最大信息系数法(maximum information coefficient,MIC)选择出与风电功率相关性强的特征,以降低原始数据的复杂度;然后针对风电功率的非平稳特性,采用双层自适应噪声完备集合经验模态分解(double layers complete ensemble empirical mode decomposition with adaptive noise,DLCEEMDAN)将风电功率分解为若干个平稳的子序列;最后利用融合注意力机制的时间卷积网络(temporal convolutional networks,TCN)对风电多变量时间序列进行动态建模;为进一步提高预测精度,引入轻梯度提升机(light gradient boosting machine,LightGBM)对预测值进行误差修正。结合国内某风电场实测数据进行实验,仿真结果表明,所提方法具有较高的短期风电功率预测精度。

联合气象驱动生成和风速修正辅助的风电功率日前预测

随着风电渗透率的不断提高,准确预测风电功率对于构建高比例新能源的新型电力系统具有重要意义。针对该问题,文章提出一种联合气象驱动生成和风速修正辅助的风电功率日前预测方法,通过分析不同类型风电出力的气象特征,以气象特征作为驱动条件设计生成对抗网络,通过修正的数值天气预报(numerical weather prediction,NWP)信息指导风电功率的生成,根据以修正风速计算的参考功率和历史风电出力的连续性从多组生成风电功率中确定最终预测功率。使用实际风电场数据对所提出的方法进行了测试,并与几种典型的预测方法进行对比验证,结果表明该方法具有更高的准确度。

基于VMD-SSA及误差补偿的风电功率超短期预测

风电功率随机性强、规律性差等非线性特征导致风电功率难以被准确预测,为了解决这一问题,提出一种结合变分模态分解、奇异谱分析、长短期记忆网络和高斯过程回归的风电功率超短期预测方法。利用奇异谱分析算法优化变分模态分解后的模态分量,提取了数据中的趋势性,降低了风电数据的随机波动性。引入高斯过程回归算法,可对长短期记忆网络的预测结果进行误差补偿,进一步提高预测的精度。以西北某风电场的实测数据为例进行仿真分析,结果表明,该模型能提取风电序列的非线性特征,有效表征风电功率的时序性,增强了预测的效果,提高了预测的精度。

基于波动趋势分段的风电功率区间预测

风电的波动性制约着其预测的准确性,为此,在对风电序列变化趋势进行分析的基础上,提出一种基于风电功率波动趋势分段的区间预测方法。首先,在全时段上应用平均滤波算法和滑动窗口提取功率变化趋势及转折点,针对传统分段方法仅考虑相邻转折点间功率变化率的问题,提出一种改进的双时段划分方法来得到分段结果。然后,综合不同时段功率误差的特点,提出一种分段预测方法:对突变时段和非突变时段分别应用k-means算法得到聚类结果,基于非突变时段聚类结果得到非突变时段的误差区间,基于突变时段聚类结果建立分类的误差云模型得到突变时段的误差区间,叠加确定性预测模型的预测值得到全时段区间预测结果。最后,利用Elia的风电数据进行算例分析,结果表明所提方法的风电功率区间预测效果更优。

自适应提升及预测误差修正的风电功率超短期预测

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优化ELM权值和阈值提高模型的泛化性,同时引入AdaBoost提高预测模型的精确度和稳定性;最后,在学习历史训练误差的基础上提出修正预测值的策略,进一步提高预测精度。算例结果验证了所提方法的有效性。

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼(Spearman)等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法(NNA)优化改进的长短期记忆网络(ILSTM)中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。

基于ICEEMDAN-SE-MSGJO-LSTM-EC的短期风电功率预测

为了提高风电功率短期预测精度,本文提出了一种基于ICEEMDAN-SE-MSGJO-LSTM-EC模型的短期风电功率预测模型。首先,通过ICEEMDAN对原始风功率信号进行分解并通过样本熵计算熵值相近的分量相加重构。其次,建立MSGJO-LSTM预测模型,通过改进金豺优化算法(MSGJO)优化LSTM网络参数,对各模态分量进行预测。最后,通过对各模态分量预测结果进行误差修正(EC)并将所有模态预测结果相加得到最终预测结果。以新疆某风电场为例,采用本文所提预测模型进行仿真分析,试验结果表明本文基于ICEEMDAN-SE-MSGJO-LSTM-EC的预测模型预测精度更高。

基于自适应移动平滑与时间卷积网络误差修正的风电功率预测

为了解决风电功率预测误差对电力系统调度运行影响的问题,提出一种基于自适应移动平滑(adaptive movement smoothing,AMS)和时间卷积网络(temporal convolutional network,TCN)误差修正的风电功率预测方法。该方法首先利用变分模态分解和TCN提取风电功率的时空特性,得到初步预测结果;然后利用AMS模型对预测误差序列进行自适应平滑处理,降低误差的波动性;最后利用TCN模型提取预测误差的时间特性,对初步预测结果进行修正,提高预测的精度和稳定性。基于辽宁双子台和内蒙古克什克腾旗两个风电场的实测数据进行了实验对比分析,相较于其他方法,采用所提风电功率预测方法在15 min、30 min和1 h时间尺度下得到的预测结果,平均绝对误差降低50.0%以上,平均相对误差降低10.0%以上,验证了所提方法的有效性。