Achievements and Prospects of Wind Power Prediction

Wind power prediction is crucial to the operation of the power system accommodating a large amount of wind power. From the perspective of power dispatch, this paper discusses the current situations of the technology, system building, prediction errors, the index for evaluating wind power prediction system and the main bodies responsible for the prediction. It delves into the existing problems such as incomplete basic data, poor prediction accuracy, short prediction time scale, as well as lacking of prediction in most wind farms. Suggestions on improvement are proposed including enhancing the construction of wind power prediction system on both the grid side and the wind farm side, speeding up the development of ultra-short term wind power prediction system, deepening the research on wind power prediction technology, strengthening the construction of technical standard system and carrying out cross-sector cooperation.

Wind Farm Coordinated Control for Power Optimization

以降低风电场尾流损失、优化风场出力为目标,设计基于Laguerre函数非线性预测控制（nonlinear modelpredictive control,NLMPC）方案的风场集群控制器。该控制器应用风场动态尾流模型,通过NLMPC统一调整风场内各机组转速以提升风场功率。在控制器设计中,使用有效风速预测误差校正对预测模型失配及超短期风速预测误差进行补偿,引入Laguerre函数降低滚动时域优化计算负担并分析了控制器对风速预测误差的鲁棒性能。仿真研究表明,集群控制器能够在不同风速条件下提升风场功率、降低优化计算负担,且对风速预测模型失配与风场自然风速预测误差具有鲁棒性。

Special report on relationship between wind farms and power grids

The installed capacity of a large scale wind power plant will be up to a number of hundreds MW, and the wind power is transmitted to load centers through long distance transmission lines with 220 kV, 500 kV, or 750 kV. Therefore, it is necessary not only considering the power transmission line between a wind power plant and the first connection node of the power network, but also the power network among the group of those wind power plants in a wind power base, the integration network from the base to the existed grids, as well as the distribution and consumption of the wind power generation by loads. Meanwhile, the impact of wind power stochastic fluctuation on power systems must be studied. In recent years, wind power prediction technology has been studied by the utilities and wind power plants. As a matter of fact, some European countries have used this prediction technology as a tool in national power dispatch centers and wind power companies.

Research on Wind Farm Participation in Power Grid AGC Control

Since wind power has the features of being intermittent and unpredictable, and usually needs transmission over long distances, grid integration of large-scale wind power will exert signif icant influence on power grid planning and construction, and will make a heavy impact on the safe and reliable operation of power systems. To deal with the diff iculties of large scale wind power dispatch, this paper presents a new automatic generation control (AGC) scheme that involves the participation of wind farms. The scheme is based on ultra-short-term wind power forecast. The author establishes a generation output distribution optimization mode for the power system with wind farms and verif ies the feasibility of the scheme by an example.

基于DCGCN模型的海上风电场超短期功率预测

图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于双通道图卷积网络(DCGCN)的海上风电场超短期功率预测模型。首先,建立以理论功率曲线为基准的机组状态指标模型,定量表征机组状态变化对其发电能力的影响;其次,构建海上风电场图拓扑,建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型;最后,建立基于DCGCN的风电场超短期功率预测方法。算例结果表明,所提模型有助于提高风电场功率预测模型的训练效率和预测精度。

基于CBAM-LSTM的风电集群功率短期预测方法

风电功率的精准预测对我国实现“碳达峰”、“碳中和”的目标具有重要意义。传统的风电功率预测方法往往忽视了时间序列数据中的长期依赖关系和空间相关性,导致预测结果不准确。为了解决这个问题,文中提出了了卷积块注意力机制(Convolutional Block Attention Module, CBAM)和长短时记忆网络(Long Short-Term Memory, LSTM)相结合的模型。首先,使用CBAM对风电功率时间序列数据特征和数值天气预报中蕴含的空间特性进行提取,该模块能够自适应地学习时间和空间上的重要特征;然后,将提取的特征输入到LSTM层结构中进行功率预测。为了验证所提方法的有效性,使用中国吉林省某风电场的数据集进行验证,实验结果表明,与其他功率预测方法相比,文中所提方法平均绝对误差(Mean Absolute Error, MAE)平均降低2.67%;决定系数(R-Square, R2)平均提高23%;均方根误差(Root Mean Square Error, RMSE)平均降低2.69%。

风电场功率预测的研究进展及发展趋势

风电场功率预测可以有效地帮助平衡系统电力供应和负荷需求,从而降低风电功率波动性和不确定性对电力系统稳定性的影响.随着风电接入电力系统比例的增加,如何准确地预测风电场发电功率成为一大难点,将影响风电场并网运行.由此,系统总结了近些年来国内外学者在风电场功率预测方面的研究进展.首先,以预测时间尺度、预测物理量、预测原理、预测特点为分类标准,对多种风电场功率预测方法进行了分类梳理,总结了各类预测方法的研究情况,阐述了其特点及应用场景,为预测模型的选择提供了参考.之后,从单点预测、概率预测、预测曲线的角度总结了预测效果的评价指标,并就评价指标的选择给出建议.最后,总结了当前风电场功率预测全过程遇到的影响预测准确性、实用性的关键因素,提出了未来风电场功率预测可能的发展趋势,为准确预测风电场功率及电网的稳定并网运行提供了参考.

考虑风电运行轨迹与场景划分的场级主动调压优化控制策略

传统风电场跟随主站电压指令调节的方式容易导致站内无功源频繁波动、站内无功裕度不足,影响风电场的调压能力。为此提出了一种考虑风电运行轨迹与场景划分的场级主动调压优化控制策略。首先,基于风电场功率预测数据和有功–电压灵敏度曲线,绘制并网点电压波动轨迹,结合AVC子站接收到的电压指令,协调风机和SVG的无功输出,有效降低了无功设备的调节频次。其次,根据电压跌落幅度划分详细运行场景,通过调整SVG的控制模式,有效抑制了电网电压的大幅波动。最后,构建了包含AVC功率控制器的仿真测试平台,验证对比了所提方法相对于传统风电场AVC控制策略在降低无功调节频次、提升无功裕度、主动电压支撑方面的效果,为实现风电场主动调压提供了新的解决思路。

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。

基于二维风速修正和多重集成的两阶段迁移学习短期风电功率预测

为了在数据量不足的情况下增强新投运风电场的功率预测能力,提出了一种基于二维风速修正和多重集成的两阶段迁移学习短期风电功率预测方法。首先,在数据增强阶段,引入投运前气象站的测风数据,基于风电场的时空相关性关系,通过时序特征构建和场景匹配,从时空2个维度对预报风速进行初步修正。然后,对初步修正后的结果进行数据重构,以重构后的数据作为下一次集成的输入,构建多重集成模型对预报风速进行二次修正。最后,在功率预测阶段,基于一阶段的修正结果,通过门控循环单元(gate recurrent unit,GRU)得到预测功率。算例结果表明,所提方法使预报风速的均方根误差降低了1.038m/s,功率预测精度提升了4.718%。论文研究可为新投运风电场的短期功率预测提供参考。

短时强降雨天气风电场发电功率预测模型设计

为确保发电场正常供应电力,设计短时强降雨天气风电场发电功率预测模型,提升发电功率预测效果。通过欧式距离与角度原则扩充短时强降雨天气小样本;利用改进深度可分离卷积算法,在正常天气样本内,提取气象-功率时空特征,并输入长短期记忆网络内,建立正常天气风电场发电功率基准值预测模型,得到发电功率基准值;在Transformer算法内,输入扩充样本,建立短时强降雨天气下发电功率损失值预测模型;利用基于注意力机制的Sequence to Sequence网络,结合扩样本,构造发电功率损失时间点预判模型,结合损失值预测模型,得到最终发电功率损失值;利用基准值减去损失值,得到短时强降雨天气下风电场发电功率预测结果。实验证明:该模型可有效扩充短时强降雨天气小样本;该方法可精准预判发电功率损失时间点,得到发电功率损失值,完成发电功率预测;不同风速下,该模型发电功率预测的关键失误指数与偏移程度均较低,即发电功率预测精度较高。

区域风电场群集中式功率预测系统设计

为实现对区域风电场群集中式功率的准确预测,提出并设计了一种适应性强、维度高的预测模型。首先,通过AHP分析法发现影响区域风电场群集中式功率预测系统的五个必要因子;然后,构建预测评估模型得到其设计附加值的数据构建状态空间模型;接着,将该状态空间模型在人工智能的数据空间中进行部署并加以神经网络训练;最后,对这一预测系统模型进行实证验证,发现其数据吻合度较高。该预测模型可以用于对区域风电场群集中式功率进行预测,具有较广泛的应用价值。

风电场风力风速预测中的长期趋势分析与预测方法研究

风力发电作为清洁能源的重要组成部分,其稳定可靠的发电能力对能源供应具有重要意义。然而,风能的可变性和不确定性给风电场的运行和管理带来了挑战。文章概述了长期趋势分析的理论基础,讨论了常用的预测方法和预测模型,并通过试验验证了基于深度学习的预测模型的准确性,以期为相关人员提供参考。

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GWO-BP-AdaBoost的多风电场功率预测

通过GWO-AdaBoost模型来优化BP神经系统网络,实现其对多因素分类处理能力的提高。经过实验表明,优化后的预测模型与BPNN和BPNN-AdaBoost对比,各项误差指标均减少,实现了多风电场功率预测准确度的提高。

Wind Power Potential in Interior Alaska from a Micrometeorological Perspective

The wind power potential in Interior Alaska is evaluated from a micrometeorological perspective. Based on the local balance equation of momentum and the equation of continuity we derive the local balance equation of kinetic energy for macroscopic and turbulent systems, and in a further step, Bernoulli’s equation and integral equations that customarily serve as the key equations in momentum theory and blade-element analysis, where the Lanchester-Betz-Joukowsky limit, Glauert’s optimum actuator disk, and the results of the blade-element analysis by Okulov and Sorensen are exemplarily illustrated. The wind power potential at three different sites in Interior Alaska (Delta Junction, Eva Creek, and Poker Flat) is assessed by considering the results of wind field predictions for the winter period from October 1, 2008, to April 1, 2009 provided by the Weather Research and Forecasting (WRF) model to avoid time-consuming and expensive tall-tower observations in Interior Alaska which is characterized by a relatively low degree of infrastructure outside of the city of Fairbanks. To predict the average power output we use the Weibull distributions derived from the predicted wind fields for these three different sites and the power curves of five different propeller-type wind turbines with rated powers ranging from 2 MW to 2.5 MW. These power curves are represented by general logistic functions. The predicted power capacity for the Eva Creek site is compared with that of the Eva Creek wind farm established in 2012. The results of our predictions for the winter period 2008/2009 are nearly 20 percent lower than those of the Eva Creek wind farm for the period from January to September 2013.

用于风功率平抑的SOEC系统功率控制策略

为了平抑风电场输出功率波动,考虑到固体氧化物电解池(SOEC)电解水制氢的高效率特性,基于实际数据构建千瓦级SOEC电堆模型并验证了模型精度。针对SOEC系统的非线性和时滞特性,提出一种基于模型预测的功率控制策略,用于平抑风电场输出功率波动。根据某15 MW风电场运行数据,采用集合经验模态分解方法,提出一种风电场输出功率分解方法,获得SOEC系统的充电功率指令并进行仿真验证。结果表明:基于模型预测的SOEC系统功率控制效果很好,可以实现充电功率指令的跟随变化,且平均绝对百分比误差为1.674%,平抑风功率波动效果的准确性较高。

计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测

高精度的短期风电功率预测对保障电力系统安全至关重要,因此提出了一种计及邻近风电场信息与CNNBiLSTM的短期风电功率预测方法,在深度学习预测建模环节除了采用目标风电场的NWP作为输入特征,还引入了邻近风电场的高相关特征。首先综合风速序列、功率序列间的相关性和距离,计算区域内各邻近风电场和目标风电场的复合相似度,并依据相似度排序选择高度相似的邻近风电场作为信息来源;再采用CEEMDAN频域信号分解和时间序列特征扩充构造高维特征集合,并引入浮动搜索特征选择算法对强相关特征进行优选;最后基于被选核心特征,开展基于CNN-BiLSTM深度神经网络的功率预测建模。算例结果表明,相较不引入邻近风电场信息的传统预测方法,所提方法能有效提升预测精度。

基于数字孪生的区域气象关联风电预测模型

新型电力系统建设下,风电清洁能源得到大力开发。由于风电的发电功率与风速、风向、气温等气象因素强关联,具有波动性,且新建的风电场缺乏历史气象和发电数据,难以被精确预测。因此,文中提出了一种基于数字孪生的区域气象关联风电预测方法。首先,将风电场系统物理实体与数据驱动模型相结合,实现了数据同步和实时更新;然后,通过灰色关联分析方法筛选出对风电场发电功率影响作用较大的多元气象因素,使用XGB算法对优选后的气象关联数据集进行训练,结合天气预报对风电场发电功率进行预测;最后,利用有历史数据风电场的训练模型对无历史数据新建风电场进行预测。算例对四川某区域风电场数据进行了分析和预测,验证了所提方法的有效性与合理性,能够获得比传统预测方法更准确的预测结果。

基于MSTAGNN模型的可解释海上风电场多风机出力预测

现有海上风电场出力预测研究对复杂时空关系考虑不足,且多为“黑盒”模型,缺乏可解释能力。为充分挖掘时空关联并实现模型可解释,提出一种基于多重时空注意力图神经网络(MSTAGNN)的海上风电场出力预测模型。首先,构建了一种考虑空间关联的海上风电场图拓扑,并引入空间注意力机制实现图拓扑的动态变化;其次,分别利用图卷积网络和时间门控卷积网络有效提取空间和时间特征;接着,对所提模型引入多维多头注意力机制,使其获得多重可解释能力;最后,基于中国东海大桥风电场真实数据进行仿真验证。结果表明,所提模型相比传统预测模型具有更高的预测精度,同时在空间、特征、时间多个维度具有合理的可解释性。