风电集群汇集的共享储能虚拟惯量补偿控制策略

针对大规模风电并网导致系统惯量削弱问题,提出风电集群汇集的共享储能虚拟惯量补偿控制策略。首先,计算风电集群惯量削弱量及共享储能电站的惯量补偿目标;然后,根据惯性响应的基本物理意义,定义储能装置的虚拟惯量;接着,探明其时变特性,求解储能虚拟惯量时域过程,确定储能电站以及各储能单元虚拟惯量补偿目标,提出各储能单元补偿目标动态设置控制参数的控制策略;最后,通过Matlab/Simulink仿真,验证了所提策略在不同储能配置容量、不同风电渗透率下均具有良好控制效果和适应性。

风电租赁储能参与电能-调频市场竞价策略

风电参与市场化竞价运营,可有效激发风电的市场力及其主动租赁储能改善调频性能的积极性,在提升风电运营效益的同时,助力电网的调频调峰,但需解决风储调频性能指标优化及其电能-调频双市场竞价策略协同优化等关键问题。为此,提出了风电参与电能-调频市场竞价双层优化模型:上层为双市场多主体竞价出清模型;下层为各主体竞价策略优化模型,响应上层出清结果,优化调整竞价策略,达到各主体效益最大化。下层模型嵌套了考虑风电不确定性的储能运营商与风电集群储能租赁价格/容量主从博弈优化模型。双层模型联合求解,得出最终风电集群租赁储能容量及其双市场竞价策略。算例结果表明,所提方法能够提升风电运营效益,助力电网调频调峰。

Research on Wind Power Prediction Modeling Based on Adaptive Feature Entropy Fuzzy Clustering

Wind farm power prediction is proposed based on adaptive feature weight entropy fuzzy clustering algorithm.According to the fuzzy clustering method,a large number of historical data of a wind farm in Inner Mongolia are analyzed and classified.Model of adaptive entropy weight for clustering is built.Wind power prediction model based on adaptive entropy fuzzy clustering feature weights is built.Simulation results show that the proposed method could distinguish the abnormal data and forecast more accurately and compute fastly.

基于自适应优化AP聚类与BP加权网络的多区域复合短期风电功率预测

精准的风电集群区域功率预测对电源侧的竞价上网具有重要意义。由于同一地区多个风电场受气候影响波动程度相近,可看作具有时空相关性的风电场群,并以此进行集群的合理划分。为此,提出一种基于自适应优化近邻传播(AP)聚类与反向传播(BP)加权神经网络的多区域复合短期风电功率预测模型。首先,通过粒子群优化算法(PSO)优化AP聚类方法对风电场群的历史数据进行集群的聚类与划分;然后,根据得到的最优聚类结果构建风电场群子区域样本训练集;最后,利用基于相关系数权重的BP神经网络对各子区域进行功率预测。算例结果表明:所提方法在24 h日前预测相较传统叠加法与单一BP神经网络可提高1.35%和2.62%的精度,可表明该模型具有优越的预测性能。

融合迁移学习与CGAN的风电集群功率超短期预测

针对可再生能源不确定性导致电力系统消纳能力不足的问题,提出一种基于条件生成对抗网络与迁移学习融合的风电集群功率超短期预测方法。首先,分析了风电集群功率预测样本模式的不均衡性以及导致的神经网络预测误差偏移现象;其次,构建了条件生成对抗网络修复不均衡问题;最后,采用迁移学习结合时间卷积网络构建了风电集群功率超短期预测模型。测试结果表明,所提方法能够显著提高风电集群功率超短期预测精度。

保持主导振荡模态的双馈风电场动态聚合等值方法

针对风电场详细建模出现的“维数灾”问题,计及双馈风电机组各控制环节与系统振荡模态的关系,以保持等值前后主导振荡模态一致为目标,提出考虑风电机组多时间尺度级联特性的风电场站等值聚合方法。首先考虑风电机组多控制环节级联建立风电场状态空间模型;其次,利用振荡能量级判别系统主导振荡模态,并基于参与因子分析不同模态的关键影响因素;在此基础上,以主导振荡模态的关键影响因素为分群指标,结合自编码器进行数据降维处理,经改进聚合算法聚类和拓扑变换获取等值参数等环节后得到等值模型。最后,在Matlab平台分别搭建单机模型和含24台双馈风电机组的风电场模型,验证了所提等值方法的有效性。

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%。

贝壳形屋盖风压系数密度峰值聚类分区研究

鉴于贝壳形屋盖表面风压分布的特殊性,提出基于快速搜索技术的密度峰值聚类风压系数分区方法。以某贝壳形屋盖表面风压分布试验结果为基础,进行密度峰值聚类风压系数分区,采用SD有效性指标验证分区数的合理性,并与改进k-means聚类分区结果进行对比。结果表明:密度峰值聚类风压系数分区以风压系数相对距离、局部密度和综合指数为特征参数,能较好反映屋面风压分布特性,有效保证类聚合性和类类分离性;相较于改进k-means分区法,不同风向角下密度峰值聚类得到的分区数与SD最优聚类数接近;密度峰值聚类分区结果能更准确反映贝壳形屋盖表面风压分布特性,充分体现测点风压系数局部密度和相对距离特征值较大的基本原则,对于贝壳形屋盖的风压系数分区具有更好的适用性;贝壳形屋盖密度峰值聚类分区最大负风压系数在-0.59~-1.74之间。

基于密度聚类模态分解的卷积神经网络和长短期记忆网络短期风电功率预测

近年来,随着碳达峰和碳中和“双碳”战略目标的提出,风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度,提出基于密度聚类与自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先,利用密度聚类将风电功率与天气特征分成不同类别的数据集,通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础,将不同的子序列分量与天气特征进行特征选择,输入到卷积神经网络与长短期记忆网络的预测模型。最后,将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择,有效提高了短期风电功率预测的准确度。

基于测点聚类的POD-BPNN风压重构方法

文章提出本征正交分解(POD)与聚类分析结合的结构表面风压测点分类与关键测点布置方法,基于少量测点的风压数据,通过POD与误差反向传播神经网络(BPNN)方法实现方柱结构表面风压时程的重构。机器学习数据集为多风向角均匀来流下单方柱测压风洞试验得到的测点风压时程。将44个测点的风压时程数据POD降维,并采用K-means++聚类分析得到方柱周向轮廓系数分布,并基于轮廓系数的多风向角平均值,得到12、16、20和24个关键测点的轴对称布置方案。以关键测点的风压时程数据为训练集,采用POD-BPNN方法重构方柱表面其余测点所在位置的风压时程,并将风压时程及其统计值同试验结果对比。从12~20测点方案,风压重构精度逐步提升;20测点和24测点方案的重构风压差异较小,二者都能较好地重构方柱表面风压分布,仅在0°风向角方柱脉动风压误差偏大。

基于BIRCH聚类和递归神经网络的高铁强风预警算法

针对高铁临近风速预测需要克服数据的无周期性规律以及随机性较强的问题,构建了一种基于BIRCH聚类和LSTM递归神经网络算法的临近风速预测预警系统。该系统先做历史数据的交叉验证,然后用BIRCH进行在线增量聚类,最后根据聚类结果选取最接近当前预测时间序列的数据做LSTM的滚动训练并进行预测后得出预报预警结果,因此具有无需依赖数值预报产品以及随机数据适应性强的特点。实验证明,该系统的两种算法同时并行化在线运转,运行效率较高,预测效果较好,是解决强风预警问题的一种新方法。

考虑功率预测偏差和出力调节不确定性的风电集群功率分配策略

当因输电通道限制需对风电集群进行限电时,应考虑各风电场功率预测和调节能力的差异。考虑功率预测偏差和调节能力不确定性,构建机会约束规划和机会约束目标规划相结合的风电集群日前功率调度模型,并采用采样排序的方法将不确定变量转化为确定性变量对模型进行求解。对华北某地区风电集群进行案例分析,结果表明,在满足风电场间期望调度电量比例要求的基础上,相较于传统模型,所提模型能有效降低弃风率和系统负荷不平衡时的缺额电量。

集群化发展模式下风电场预测、规划及控制关键技术综述

随着我国风电行业的快速发展,规模化发展风电对能源转型的推进至关重要。然而,由于风电场所处的复杂环境和高昂的建设运营成本等因素,集群化发展模式下的风电场面临着一系列技术难点和挑战。因此,文中针对集群化发展模式下风电场的建设和运营,重点总结了相关的预测、规划及控制关键技术。文中围绕风电场集群的关键技术与研究思路进行了归纳总结;针对风电场集群的特点,包括风资源量化表征与预测技术、多风电场协同优化规划技术以及多风电场控制与运行技术进行了详细探讨,对于每个技术领域,分析了当前的研究现状和取得的成果;最后,阐明了风电场集群建设和运营关键技术领域的发展趋势,并指出了待解决的技术难点,通过总结这些技术的研究成果为我国风电的规模化、集群化开发提供参考。

风电机组数据采集与监控系统异常数据识别方法

为了解决原始的风电机组数据采集与监控系统(SCADA)中包含大量异常记录的数据、难以准确反映机组运行状态的问题,提出了一种带噪声基于密度的空间聚类(DBSCAN)模型的风电机组SCADA异常数据识别方法。该方法从分析风速-功率曲线的特点出发,采用预测误差和分类准确度来选取关键聚类参数邻域半径和邻域最小样本点数,避免了人工确定聚类参数的主观性,且参数选择过程可以完全自动化,实现了风电机组SCADA异常数据的有效识别。通过某风场中风电机组的监测数据进行实例验证,结果表明:所提方法能够在保证异常数据被剔除的前提下,保留尽可能多的正常数据,异常识别效果好于现有的k-dist图法和基于k-平均最近邻算法的改进算法(KANN-DBSCAN)。该研究可为开展风电机组状态分析提供参考。

基于网格型数值天气预报的风电集群日前功率预测方法

风电集群日前功率预测是省级及以上电网调控中心制定发电计划、促进风电消纳的重要基础之一。风电日前功率预测(次日0时至24时)本质上是构建数值天气预报与实际功率之间的映射模型。充分挖掘数值天气预报气象信息与功率之间的深层映射关系是提升风电功率预测精度的重要途径。利用网格型的数值天气预报并采用残差网络建立风电集群预测模型,挖掘风电集群所属空间三维网格型的气象分布与功率的关联关系。以实际运行数据进行仿真,结果显示所提方法在先进性和适应性两个方面均优于现有成熟方法。

基于风电场景概率的电热混合储能优化配置

为有效提高风电入网的经济性和可行性,文中提出一种考虑风电典型场景概率的电热混合储能优化配置方案。首先通过场景分析,利用K-means聚类法将大量风机历史出力数据简化为6个典型出力场景,确定各场景发生的概率,其中聚类数目由肘部曲线法和Dunn指数法综合确定;其次提出电热混合储能系统控制策略,建立适用于多场景的风储联合系统模型;最后,以经济性成本最低与弃风量最小为目标,建立包含电、热负荷综合响应的容量配置优化模型,并将场景概率以权值的形式加入到目标函数中,采用粒子群算法求解模型。通过仿真分析和与其他储能配置场景对比,发现所提配置策略能够提高风电利用率约16.12%,同时减少系统综合成本约43.76%,验证了所提策略的合理性和有效性。

基于HS-Clustering的风电场机组分组功率预测

为了寻求风电场功率预测精度和计算效率二者的平衡,提出了一种基于霍普金斯统计量与聚类算法(HSClustering)的风电场机组分组功率预测方法,该方法将霍普金斯统计量与聚类算法的优势有效结合,采用霍普金斯统计量确定场内机组分组个数,通过聚类算法识别不同机组的相似性将风电场分成不同的机组群,然后对每组机群分别建立功率预测模型,从而叠加得到整场输出功率;另外以实测风速、实测功率及二者组合作为机组分组模型输入,分析其对预测精度的影响程度。实例分析表明基于HSClustering的分组预测方法可以显著提高预测精度,同时保证较高的计算效率;风速是影响分组效果的主要因素,对于某些分组模型,功率又可以作为风速的重要补充。

基于谱聚类和多元变分模态分解的风电机组功率预测

传统的风电出力预测方法通常未能充分考虑机组之间的相似性和差异性,忽视了环境条件对风电出力的影响以及关键特征提取方法单一等问题。因此,提出了一种基于谱聚类和多元变分模态分解的人工神经网络风电出力预测方法。首先,为捕捉不同机组之间的相似性和差异性,对风速和风向进行谱聚类,构建风速-风向二维标签簇,并选取每个簇的中心机组以表征该簇的出力特征。接着,为更全面地描述出力与环境条件之间的关系,采用变分模态分解算法对聚类中心机组出力进行分解,同时将出力与风速、风向数据进行多元变分模态分解,得到不同频率的模态成分。最后,在预测阶段引入基于注意力机制的深度学习网络,对特征模态添加注意力机制后输入卷积长短期神经网络模型进行训练和预测,并通过误差修正模块得到同簇其他机组的预测结果。该方法相较传统方法在预测精确度上有明显提升,具有一定的实用性和有效性。

实际风况下萨沃纽斯风力机集群性能及布局规律研究

为探究风况条件对萨沃纽斯风力机集群功率输出和安装方向的影响,基于变转速控制策略和计算流体力学仿真结果,获得了集群在我国8个典型站点不同安装方向下的输出功率,分析了集群在实际风况下的最佳布局规律,并验证了规律的普适性。仿真结果表明:在沈阳、厦门、昆明、呼和浩特、青岛、喀什、大连以及郑州8个站点合理安装集群,可使单台机组的输出功率分别提升至原来的1.14、1.23、1.31、1.20、1.21、1.24、1.12、1.11倍;对于有明显单一主风能风向的地区,集群应正对此方向摆放;对于两个主风能风向相位差较大的地区,需选择两者中周围风能更丰富的方向排布集群;对于有3个主风能风向、主风能风向不明显或风能分布比较均匀的地区,应先使机组相互格挡的方位避开风能相对集中区,再选择风能资源较丰富的方向排布集群。该研究可使实际风况下萨沃纽斯风力机集群耦合增益最大化,并为复杂风场条件下集群安装方向的选择提供参考。

拒绝服务攻击下的风电场群优化调度研究

电力系统网络层与物理层的深度耦合使得电力系统遭受网络攻击的风险不断上升。风电场群调度系统是自动化调度系统中的复杂信息物理系统,其对于实现发电计划、新能源消纳有重要作用。鉴于网络攻击可以改变调度的最优有功分配,甚至影响电力系统的稳定,文中提出随机受限的拒绝服务攻击下风电场群调度系统模型,该模型在已有风电场群有功调度的基础上,结合Bernoulli分布模拟攻击数据的丢失,制定相应攻击指标模拟攻击方的攻击路线,并以粒子群优化算法对模型进行求解,最后通过某风电场群的仿真调度系统验证所述方法的有效性。