Rolling Generation Dispatch Based on Ultra-short-term Wind Power Forecast

The power systems economic and safety operation considering large-scale wind power penetration are now facing great challenges, which are based on reliable power supply and predictable load demands in the past. A rolling generation dispatch model based on ultra-short-term wind power forecast was proposed. In generation dispatch process, the model rolling correct not only the conventional units power output but also the power from wind farm, simultaneously. Second order Markov chain model was utilized to modify wind power prediction error state (WPPES) and update forecast results of wind power over the remaining dispatch periods. The prime-dual affine scaling interior point method was used to solve the proposed model that taken into account the constraints of multi-periods power balance, unit output adjustment, up spinning reserve and down spinning reserve.

基于数据物理混合驱动的超短期风电功率预测模型

为提升超短期风电功率预测精度,提出一种数据-物理混合驱动的超短期风电功率预测方法。首先,构建一种融合双向门控循环单元的残差网络结构,将其在测试集的预测结果作为预测模板。然后,根据风速-风电转换特性,基于多项式-线性回归模型拟合风电场风速-功率曲线,在风速高波动时点,以物理机理透明的风速-功率曲线进行预测。最后,根据风速波动阈值建立不同模型之间的动态切换机制,按切换的时点修改模板预测值,对于修正风速小于切入风速的时点,将预测值置零。在吉林省某装机容量为400.5 MW的风电场提供的数据上进行仿真实验得到,测试集第16步预测的平均归一化均方根误差为0.1589,全部切换中有利切换占比达到90.86%,验证了提出的超短期风电功率预测模型的有效性和适用性。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

一种采用记忆神经网络和曲线形状修正的负荷预测方法

针对分布式电源和新型负荷容量累积造成负荷影响因素多元化和不确定性特性增强的问题,文中提出一种采用记忆神经网络和曲线形状修正的负荷预测方法。在负荷峰值预测中,采用最大信息系数计算负荷峰值与影响因素的非线性相关性,实现对输入特征的筛选;综合考虑负荷峰值序列的长短期自相关性和输入特征与负荷峰值的不同程度相关性,结合Attention机制和双向长短时记忆(bidirectional long short-term memory,BiLSTM)神经网络建立负荷峰值预测模型。在负荷标幺曲线预测中,通过误差倒数法组合相似日和相邻日,建立负荷标幺曲线预测模型;针对预测偏差的非平稳特征,利用自适应噪声的完全集成经验模态分解和BiLSTM网络建立误差预测模型,对曲线形状进行修正。应用中国北方某城市的区域电网负荷数据为算例,验证了所提模型的有效性。

基于多模式分解和多分支输入的光伏功率超短期预测

针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法。首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为adAP算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果。实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度。

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。

短期超低氧处理抑制花生芽常温物流褐变作用的研究

探究不同超低氧处理时间对常温物流中花生芽褐变的抑制效果及作用机制,为实际物流包装应用提供理论依据。采用包装袋中充100%N2方式实现超低氧处理,然后分别在超低氧4、8、12 h后将包装袋打微孔,实现自发式气调,以不充氮直接微孔组为对照,于23℃下贮藏并测定相关指标。结果表明,直接微孔组因包装内含氧量相对较高对抑制常温下花生芽采后褐变无法起到积极作用。超低氧12 h微孔组由于在超低氧环境中处理时间过长,会引发无氧呼吸,从而产生过量的乙醇、乙醛对细胞造成毒害作用,导致花生芽生理代谢紊乱。而超低氧4、8 h微孔组均能形成花生芽适应的自发气调环境,有效降低呼吸强度,通过提高与活性氧代谢有关的超氧化物歧化酶、过氧化氢酶、过氧化物酶的活性,增强自由基清除能力,抑制超氧阴离子的积累,减弱了膜脂过氧化,其相对电导率和丙二醛含量的上升得到抑制,细胞膜的完整性得以更好地保护;同时超低氧4、8 h还抑制了多酚氧化酶活性的上升,保持花生芽良好的色泽,进而延缓花生芽的褐变;其中超低氧8 h处理的效果最佳。

基于BP-AHP风机状态评估的超短期风电功率动态预测研究

针对传统风电功率预测仅考虑气象因素,且无法计及风电机组真实出力状态导致预测精度较差问题,本文提出一种计及风机状态的超短期风电功率动态预测方法。首先,为能够精确评估风机状态,将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中,构建BP-AHP风机状态评估模型,实现单台风机状态评估;然后,综合考虑地形及机组排布等因素,将风电场所有风机的状态取均值作为风电场状态,利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性,并采用XGBoost构建计及风机状态的动态预测模型;最后,以陕西地区某风电场实测数据进行算例分析,验证了所提方法的可行性及有效性。

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

基于卫星遥感的辐照度时空关联映射与预测建模

常规光伏电站仅能依赖局地地表气象观测信息进行辐照度预测,难以挖掘电站周边广域光伏资源的时空关联特性,限制了光伏电站辐照度以及发电功率的预测精度。针对上述问题,该文提出基于卫星遥感的光伏电站广域辐照度空间分布映射方法,并建立基于图卷积网络(GCN)的地表辐照度超短期时空关联预测模型,在充分利用多通道卫星数据的同时,考虑时空关联特性提高地表辐照度超短期预测精度。通过某光伏场站实例仿真分析,验证地表辐照度反演模型的可行性以及在此基础上所构建的辐照度时空关联预测模型的先进性。

基于注意力机制的IWOA-BiGRU超短期风电功率预测

超短期风电功率预测对电力系统调度及大规模风电并网具有重要作用。为得到准确可靠的风电功率预测结果,针对风电功率数据非线性和时序性的特点,提出一种基于IWOA-AT-BiGRU的超短期风电功率预测方法。首先,提出改进鲸鱼优化算法(improved whale optimization algorithm,IWOA)来优化风电功率预测模型的超参数,加速模型收敛,提高预测准确度;然后,在BiGRU中加入注意力机制(AT),AT用来加强重要信息对风功率的影响,BiGRU同时考虑数据的正反向信息,充分挖掘数据的时序特征;最后,通过某风电场实测数据进行实验,结果表明提出的方法预测准确度均高于其他对比模型,具有良好的预测性能。

水风光储一体化系统中储能平抑出力波动效果评价研究

随着新型电力系统的发展,风能、光能等高比例新能源的联网运行是实现其大规模开发利用重要途径,也是在双碳政策背景下节能减排的重要方式。由于风电和光伏出力具有极强的随机性与不可控性,高比例的风电与光伏接入电网势必会产生巨大的波动,从而降低电能质量,给电网运行带来许多不便。如何既能高比例地消纳风电与光伏,又能尽量减少其并网产生的不利影响成为一项重要课题。本文建立了风电、光伏及水电的出力模型,分析了不同情景下的出力特点与趋势,根据其出力的强不确定性、间歇性与周期性的特点,计算不同组合方式下的组合能源系统出力数据并对比分析。以某水电站为例,建立以水电调节为主的水风光发电系统,并在其中加入超短期储能装置,研究发现此组合能源出力系统可以很好地平抑出力波动并达到出力最高,且经济效益良好。

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。

基于数据优化和CQR-CNN-BiGRU模型的光伏功率超短期区间预测

现有光伏功率区间预测算法通常侧重于提高覆盖率和缩小预测区间,未能充分考虑实际调度中的经济成本和风险成本,从而限制了这些算法在调度决策方面的实际应用。引入了“最优置信度”概念,提出了一种创新的光伏功率区间预测方法,将数据优化与CQR算法以及CNN-BiGRU神经网络模型相结合。首先对经预处理后的光伏功率序列进行优化,采用分解-重构的思想,将光伏功率序列分解为趋势分量、周期分量和随机分量;然后结合多个气象因素,分别输入经改进麻雀搜索算法优化的CQRCNN-BiGRU神经网络中,建立各自的区间预测模型,叠加三个分量的区间预测结果,实现光伏功率的区间预测。仿真结果表明,所提方法的预测区间能够更接近预设的最优置信度,同时能够快速、有效地获得更高质量的预测区间。

基于TCN-Wpsformer混合模型的超短期风电功率预测

针对基于梯度下降的递归神经网络难以捕获时间跨度较长的风电功率长期依赖关系的问题,提出一种基于时间卷积网络(TCN)和窗口概率稀疏Transformer(Wpsformer)混合模型的超短期风电功率预测方法。将包含时间季节性特征的时间编码与包含原始数据位置信息的绝对位置编码进行拼接,引入TCN提取时间片段特征,将时间片段特征融入自注意力机制,以时间片段的相关性联系替代时间点的相关性联系。通过Wpsformer模型多步输出超短期风电功率预测值,与原始Transformer模型相比,Wpsformer模型使用窗口概率稀疏自注意力机制,在捕获长期依赖关系的同时筛选出重要程度相对较高的时间片段特征进行计算,提高了预测精度且降低了计算成本。曹店风电场的算例结果表明,所提模型在预测精度方面具有明显优势。消融实验证明了所提模型各模块的必要性。

基于数据集蒸馏的光伏发电功率超短期预测

云是影响太阳直接辐射变化的主要因素,由于各类云的透光率不同,导致到达光伏电站的太阳辐射会随之产生波动。为解决各类云遮挡下的光伏发电功率波动大、预测模型个数多的问题,提出一种基于卫星云图和数据集蒸馏的光伏发电功率超短期预测模型。首先,基于待测场站上方的历史云图,采用Farneback光流法预测出云图;然后,根据卫星云分类标签数据建立各类云的样本库,利用数据集蒸馏算法训练样本库得到云类判别图,将预测云图与云类判别图匹配计算,获得云类聚合匹配特征;最后,利用上述特征、云量特征以及数值天气预报数据建立长短期记忆网络模型,对光伏发电功率进行超短期预测。利用某光伏电站数据进行验证,结果显示,该文所提模型能准确描述云层的各项特征,有效提升光伏功率预测精度。

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。

无气象信息条件下基于AGCRN的分布式光伏出力超短期预测方法

针对分布式光伏普遍缺少气象量测装置而导致功率预测精度不足的问题,提出了一种基于自适应图卷积循环网络的分布式光伏出力超短期预测方法,可以在无气象数据的条件下,仅基于历史出力数据实现光伏出力精准预测。首先,分析了光伏出力数据兼具时序性和空间相关性,利用门控循环网络提取时序特征,利用自适应图卷积网络挖掘传统图卷积网络无法捕捉的光伏出力潜在空间相关性。然后,融合门控循环单元和自适应图卷积网络,构建自适应图卷积循环网络以提取多光伏站点出力的时空相关性,并利用注意力机制为不同时刻的时空特征分配权重。最后,通过全连接层输出最终的预测结果。采用某地区屋顶光伏实际出力数据在不同预测时间尺度下比较所提方法与其他方法的预测性能,结果表明,在没有气象数据的情况下,当预测尺度为15、30、60 min时,相比于传统门控循环网络,所提方法的平均绝对误差分别减少了16.9%、19.8%和30.5%。

Copula分位数回归方法在风电超短期出力预测上的应用

风电出力具有较强的随机性和波动性,相比于传统预测,分位数预测方法能够提供全面的风电功率概率分布信息,可实现更可靠的风电出力预报,对电网系统的安全和稳定运行具有重要意义.以甘肃某风电站为案例,将数据按6∶2∶2划分为训练集、验证集和测试集,采用基于Copula的分位数回归方法(QCopula)进行功率区间预测,并与三个传统的分位数回归方法进行比较.结果显示,在不同置信区间下QCopula的修正预测区间精度范围在0.701~0.773之间,预测精度平均值比传统分位数回归(QR)、随机森林分位数回归(QRF)和长短期记忆神经网络分位数回归(QLSTM)分别高出15%、9%和13%,优于其他三种分位数预测方法.分位数交叉验证中,QCopula未出现分位数交叉,每个样本点的功率预测值均随概率值单调递增,而QR、QRF、QLSTM均出现不同程度的分位数交叉现象.综上所述,QCopula可以表征更小的区间宽度和更高的区间覆盖率,且分位数曲线不存在交叉,可信度较高.