基于CNN–LSTM的风电场发电功率迁移预测方法

随着能源消耗的持续增长和全球气候问题的日趋严峻,以风能为代表的清洁能源装机容量正在稳步提升。为更好地消纳风电,需要准确的风电场发电功率预测为配套设施建设和未来规划制定提供有效依据。针对在缺少风电历史运行数据时预测精度较低的问题,提出一种基于卷积神经网络–长短期记忆神经网络(CNN–LSTM)的规划阶段风电场发电功率预测模型。首先,基于参考电站历史数据提取风速–风电功率实测数据点,采用3次样条插值进行风电功率曲线建模。然后,采用K–means聚类算法,根据风速–风电功率的特性关系划分参考风电场的区域类别。综合考虑风电功率与多维气象因素的特征关系和功率的时序特性,构建CNN–LSTM预测模型,提出基于功率曲线的预测结果修正方法。最后,基于某地风电场实际数据进行算例分析,并与使用标准功率曲线和未进行修正时的预测结果进行对比分析。结果表明:基于风速–风电功率特性的风电场聚类可以实现参考风电场的优化识别;所提模型预测结果优于传统标准功率曲线预测方法,基于功率曲线的修正方法进一步提升了预测效果。基于深度学习算法的规划阶段风电场发电功率迁移预测模型综合考虑了风力发电特性和多维环境因素,其有效性得到了验证,可以为提高规划阶段风电场发电功率的预测精度提供新思路。

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。

计及时间演变和空间相关的多风电场短期功率预测

针对多风电场站和多时间步的日前风电功率预测问题,提出了同时计及单风场功率时间演变和多风电场间空间相关的深度时空融合多风电场短期功率预测模型。它由门控循环单元、多核卷积层和时变模式注意力机制共同构成。首先通过门控循环单元和多核卷积层分别提取各风电场历史风电数据的时序和多周期特征;然后引入时变模式注意力机制对多风电场时变特征的演变模式赋予相关性权重,同时实现对多风电场功率时间演变规律的纵向追踪与横向对比。中国北方某风电基地实际算例结果表明,所提预测模型能有效利用风电功率时空特性,与现有多种预测模型相比具有更高的预测精度和更强的风功率时变模式学习能力。

基于深度学习的风电短期功率预测方法研究

风力发电本身具有随机性和波动性,加上我国风电资源的加速发展,使得风电单机容量和并网型风电场规模扩大,给电力系统的安全性、稳定性、经济性和可靠运行带来很大挑战。利用发电输出功率的预测结果,为实时经济调度提供可靠依据,是目前较为迫切的需求。本文提出了一种基于随机森林算法和LSTM模型相结合的深度学习算法用于短期风电功率预测。通过对某发电厂数据的评估,采取了多项措施应对可能的误差源,包括随机森林算法进行特征筛选,处理空缺值和异常值。经调试选择最优参数后,将随机森林和高斯过程与LSTM深度模型结合,导入数据进行预测,并使用均方误差函数计算预测误差。将该模型应用于实测数据验证,结果表明,评估模型的均方误差为0.009831。

基于EEMD-PSO-ELM的风电功率超短期预测

针对风电场功率不稳定特性引起风电功率预测精度不高的问题,提出1种基于EEMD-PSO-ELM的超短期风电功率预测方法。首先,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将风电功率序列分解为若干个模态,从而避免了模态混叠;其次,利用相空间重构对分解得到的模态计算Hurst指数,并依据Hurst指数得到最优子序列;最后,采用粒子群算法(particle swarm optimization,PSO)-极限学习机(extreme learning machine,ELM)模型对最优子序列风电功率进行预测。以某风电场为例,采用预测模型进行分析,实验结果表明EEMD-PSO-ELM预测模型的风电功率预测精度更高。

基于风电场功率预测的数据价值研究

风电系统的运行伴随着海量数据的生成,是数据应用的重要场景。风电系统的输出受天气等因素影响,波动较大,因此风电输出的预测对于电力系统平衡、经济调度意义重大。为了探索风电系统中的数据价值,本文基于风电场的发电功率数据建立了小时级的多输入-多输出日前预测模型。进一步,本文对数据-模型-经济收益的链路进行梳理,结合合作博弈中的沙普利值思想,对模型中的数据点和特征进行价值评估。本文通过算例分析探索高价值数据的特点,结果表明筛选高价值数据能够实现风电系统降本增效,在此基础上为风电系统中数据的管理与共享提出了相应的建议。

基于数据特征提取和SSA-BiLSTM的短期风电功率预测

为提高风电功率预测的准确性,提出了一种基于数据特征提取和麻雀算法优化双向长短期记忆网络(sparrow search algorithm optimised bi-directional long and short-term memory network,SSA-BiLSTM)短期风电功率预测模型。首先根据皮尔逊相关系数(Pearson correlation coefficient,PCC)分析风电数据中各影响因素与风电功率之间的相关性,根据计算结果将功率无关的因素去除。然后,采用自适应噪声完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将原始风电功率序列进行分解,得到一系列子序列分量。再将所有子序列输入麻雀算法(sparrow search algorithm,SSA)优化的双向长短期记忆(bi-directional long short-term memory,BiLSTM)模型中进行预测,根据所得预测值对风速序列进行修正。将修正所得的风速序列与风电功率序列作为输入,送入SSA-BiLSTM模型中进行预测。最后,由实验结果分析并对比得出,该模型具有更好的风电功率预测精度。

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。

基于模型数据混合驱动的大规模双馈风电场并网数字孪生建模

当前双馈风机详细模型具有多时间尺度动态和复杂控制环节,导致建模困难、大规模双馈风电场并网详细仿真建模所需算力庞大的问题。实际风机并网外特性无法实时反馈到仿真系统中,同时风电场功率输出受到多方面如风速、风向、老化等影响,使仿真系统无法精确拟合真实电力系统。针对这一问题,该文构建大规模数字孪生双馈风电场并网的电力系统模数混合驱动模型,实现了风机与电网互动反馈的实时更新,降低了算力需求,同时与风机物理实体实时匹配的虚拟模型具备较高的输出精度,满足精细化仿真需求。文中每台双馈风机采用长短期记忆网络构建数据驱动模型,风电场架构及所并电网选取常用的物理仿真模型,以数字孪生技术实现风机物理模型维护、虚拟数据模型更新的双向反馈。算例通过真实量测数据测试,结果表明在不同工况下该双馈风电场并网数字孪生模型较传统模型具备更优秀的拟合能力与精准度,同时实现了虚拟模型的实时更新能力。该模型有助于在大规模风电场并网中探寻具体某台风机故障、控制方式变化、风速波动等情况,研究风机之间相互影响、电网出现扰动时对风电场的影响。

基于短期风功率预测的数据预处理算法研究

针对实测风速和功率数据中包含奇异点以及同一风速下风功率存在较大范围波动的问题,文章提出一种数据预处理算法。首先,采用拉依达准则剔除风速和功率奇异点;再使用优化的一次指数平滑法及最大皮尔逊相关系数对风速进行平滑处理;最后,利用新疆阿勒泰地区某风电场单台风机的实测数据进行验证分析。以文章提出的预处理方法得到的风速作为BP神经网络预测模型的输入,风功率的预测准确度显著高于已有预处理方法得到的结果。

基于BP神经网络的风电场短期功率预测

风力发电具有绿色环保、资源丰富和容易开发等优势,但其间歇性和随机性的缺点对电力系统的安全、稳定运行,以及电能质量产生的影响却限制了风电的发展,而风电场功率短期预测是解决该问题的有效途径之一。负荷预测的精度与历史数据的准确性直接相关,提出将历史数据的处理分为失真数据查找和空缺数据补全两部分来处理的思想,并将负荷预测中的回归分析应用到数据处理中,提高了历史数据的准确性。在建立BP神经网络模型时,利用SPSS中的相关性分析和经验公式,确定输入层神经元和隐层神经元的范围,经多次试验后确定BP神经网络模型,并对某风电场的短期功率进行预测。结果表明,该方法精度较高,为电力调度部门提供了很好的依据,同时也为提高电网中风电装机比例提供了一种有效的途径。

风电场短期功率预测

风电场输出功率的预测对大规模风电接入电力系统运行有非常重要的意义。针对现有各种预测方法预测精度不高的问题,提出了一种基于相关向量机-马尔科夫链的风电短期功率预测方法。首先,运用相关向量机原理,得到原始预测模型;之后,使用马尔科夫链原理对误差进行修正,结合最小二乘法得到风电场短期功率预测-误差修正模型;最后,将该方法用于实际风电场的短期功率预测,其平均相对误差达到7.2%。研究结果表明:所提的预测方法能够满足电力系统调度对风电场短期功率预测的要求。

含超短期风功率预测增强处理的风储系统超前滚动优化控制策略

因风电固有的高不确定性与强随机性的特点,在电力市场中难以与传统机组相竞争,影响其大规模地接入电网。为提高风电跟踪计划出力能力与市场竞争力,首先结合电池储能系统,考虑风储系统运行约束,建立了以区域发电机组并网要求下惩罚电量与电池吞吐量最小为目标的优化模型;其次利用卡尔曼滤波算法对超短期风电功率预测数据进行增强处理,提高预测功率的时间分辨率与预测精度;在此基础上,将预测增强处理与超前滚动优化结合,提出了一种含超短期风功率预测增强处理的风储系统超前滚动优化控制策略。仿真结果表明,所提优化控制策略可在满足传统机组并网要求下,提高风储系统市场竞争力与经济性。

用于提升风电场短期功率预测准确率的储能系统出力控制策略

目前对于储能系统应用于平抑新能源发电的波动性、移峰填谷等场景的控制策略已有文献研究,但对于风功率预测准确率影响风电场效益的机制下储能系统应用的可行性尚未见研究。本文提出了一种以减小风电场短期功率预测偏差为目标的储能系统出力控制策略,控制策略以风电场实时出力数据(秒级)为数据源,采用线性外推加以移动平均优化的方法预测下一时刻风电场出力,通过比较风电场短期功率预测值与实时预测值,计算储能系统期望出力,并根据储能系统不同SOC区间内的出力能力进行约束,输出储能系统出力指令,最后进行了仿真验证。结果表明,本文提出的储能系统出力控制策略,能够使风电场通过配置储能系统,减少短期功率预测准确度考核,对风电场的精益化运行具有指导意义。

基于数据驱动的超短期风电功率预测综述

以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:“由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移”,并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。

基于数据挖掘算法的风电场功率短期预测研究

本论文主要研究了两种不同的采样时间间隔下风电场功率预测的时间序列模型,如:间隔10分钟或1小时。文中的时间序列模型基于数据挖掘算法而构建,通过对五种不同数据挖掘算法在各种风电场数据集的测试比较,提出了效果最好的两种。其中支持向量机算法可以每隔10分钟准确地预测1小时以后的风力及风速,而多层感知器算法则可以每隔1小时准确地预测4小时后的风力及风速。虽然风速可以根据历史数据值准确地预测,但风电功率却不能依据给定的功率曲线函数和预测风速准确地确定。本文对多种时间序列模型和数据挖掘算法的测试结果进行了比较,并在100个风电机组进行了测试,可以为今后的研究提供参考。

基于风功率预测数据的风电场升压变电站运行方式优化技术的研究与应用

风电场升压变电站联结多个风资源丰富地区的风机群,一般安装两台及多台变压器,其运行方式存在着基于风机出力变化进行优化调整的可行性。本文依据风功率预测数据将变压器运行方式进行时间域度分类,研究不同时间域变压器降损、设备投切费用、操作次数等多因素的综合分析方法,并结合变压器的过载能力和弃风损失得出风电场升压变经济运行控制的可实施性原理,针对具体仿真算例,对所提出的理论进行了校验。

基于GA-LSSVM的短期风功率预测研究

随着风电渗透率的逐年增加,精确的风功率预测对于电力系统调度运行具有至关重要的意义。提出了基于GA-LSSVM的短期风功率预测研究。首先,利用基于密度的聚类算法对风功率历史异常数据进行识别与聚类分群,完成数据清洗;其次,通过GA(Genetic Algorithm,遗传算法)对LSSVM(Least Squares Support Vector Machine,最小二乘支持向量机)的惩罚系数γ以及核函数的参数σ进行动态寻优,构建GA-LSSVM的短期风功率预测模型;最后,通过风电场的历史数据进一步验证所提方法和所建模型的可行性。结果表明,所提出的通过GA优化LSSVM参数的方法可以提高风功率短期预测的精度。

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。

风电场短期风功率预测研究及应用实例分析

以河北省某风电场为例，结合所在省气象局提供的数值天气预报成果、历史风电机组运行数据研究风电场短期风功率预测技术。预测误差分析结果显示，2012年该风电场的短期风功率预测月均方根误差范围大概在0．117．0．235之间。通过比较实测风速和数值天气预报风速，发现数值天气预报风速月平均相对误差为0．388—0．552，导致预测功率相对误差达1．674～2．753。风功率预测模型引起的预测功率误差介于0．0641．0．2817之间。风电场风功率预测误差的主要来源是数值天气预报风速误差，由预测模型引起的误差也不能忽视。