基于生成对抗网络的风电爬坡功率预测

风电的波动性和随机性,尤其是功率爬坡事件严重威胁着电网运行的安全和稳定。功率爬坡是极端天气影响下产生的,属于小概率事件。其极低的发生概率导致历史爬坡样本数量严重不足,并制约了传统功率预测模型的预测精度。针对此类问题,提出一种基于生成对抗网络的风电爬坡功率预测方案。将历史爬坡数据和模拟特征量作为输入,通过生成器和判别器的对抗训练,生成大量与历史爬坡数据特征相似的模拟爬坡数据,实现爬坡数据集的扩充。再将扩充后的爬坡数据集输入给长短期记忆神经网络算法,进行风电爬坡功率预测。通过仿真测试,验证了该方法在历史爬坡数据匮乏情况下风电爬坡功率预测的有效性。并与传统预测方法进行了对比,证明了其预测的精确性。

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。

风电爬坡事件研究综述及展望

风电爬坡事件易造成系统有功功率不平衡,破坏频率稳定性,甚至引起大规模切负荷,严重威胁着电网的安全稳定经济运行。从定义、预测方法和控制策略3个方面对风电爬坡事件的相关研究进展进行了综述。首先对比分析了爬坡事件的常用定义,明确了其优缺点和适用范围;其次,归纳了爬坡预测方法的研究现状,根据是否由风电功率预测结果判断划分为直接预测方法和间接预测方法两类,总结了常用预测方法评价指标;然后阐述了无储能的有限度爬坡控制策略的基本思想、控制方法和风储联合爬坡控制策略的原理以及研究进展;最后展望了风电爬坡事件未来的重点研究方向。

风电功率预测方法综述

随着风电接入容量的持续增长,风力发电的间歇性和波动性对电网造成的影响越来越明显,因此风电功率预测方法的研究得到了广泛的关注。准确的风电功率预测可以给电网调度、机组组合操作、风电场运营维护等提供必要的依据。从3个方面对目前的风电功率预测方法和进展进行介绍。首先,介绍了两种确定性预测方法:仅使用历史数据的统计学习方法和使用了NWP(numerical weather prediction)数据的物理模型。其次,介绍了用于提供预测结果不确定度的概率性预测方法。最后,由于风电爬坡事件会对电网造成较大的影响,还介绍了目前风电爬坡事件预测方法的研究和进展。对现有的风电功率预测方法介绍后,提出了目前风电功率预测模型遇到的一些问题以及需要进行深入研究的方向。

基于超短期风电预测和混合储能的风电爬坡优化控制

风电爬坡对电力系统运行的经济性和可靠性有较大的影响,也是对电网造成冲击的重要因素之一,如何减小风电爬坡时的功率波动对电网的冲击成为国内外研究热点。为风电场配备储能系统能够有效抑制风电爬坡时的功率波动。为此,提出一种基于风电功率超短期预测和混合储能系统实现平抑功率在电池和超级电容器之间有效分配方法。首先通过奇异值分解理论风电爬坡事件,提出混合储能系统的动态最佳荷电状态,以使储能设备更好地平抑下一时段风电功率波动。考虑未来风电功率及其预测误差,根据超前充放电控制策略对储能设备当前充放电进行修正,并给出了提前充放电修正公式。仿真结果表明,该方法及其控制策略能有效抑制风电爬坡的功率波动,从而减小风电爬坡事件对电网的冲击,并且能够充分提高混合储能设备的利用效率。

风电场风速及风功率预测研究综述

对现有风速及风电功率预测研究方向和研究方法进行了总结分析,分析对比各自的特点,并在此基础上提出以下建议以进一步研究。

风电功率爬坡事件预测时间窗选取建模

为了解决多长时间段的风电功率预测数据能够有效地完成爬坡事件预测,提出爬坡预测窗口的选取问题。假设以一个预测窗内能完整预测一个爬坡事件为目标,根据预测时间窗内冗余信息最小建立数学规划模型。然后,结合历史爬坡事件持续时间的统计分析和风电功率数据本身的可预测性研究,分析模型最优解的存在性并给出模型的参数约束范围和实现算法。其次,以美国BPA区域的风电功率数据为实例,根据具体的模型求解过程,仿真得到模型的最优解,并以该最优解作为预测时间窗的选取。最后,根据预测评估指标验证该时间窗具有较好的预测性能,从而说明该预测窗口对爬坡事件分析的有效性,和该预测窗口选取模型用于爬坡事件预测的可行性。

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。

短期风电功率预测概念和模型与方法

随着并网风电容量的持续增加,风电强随机性给电力系统安全稳定运行带来了挑战,风电功率预测受到广泛的关注。文中较为全面地综述了国内外对风电功率预测的研究现状,着重从风电预测基本理论、风电预测方法和风电预测热点研究问题3个方面展开,主要介绍了确定性风电预测、概率性风电预测、风电爬坡事件预测、大数据和深度学习方法等方面的研究进展。

基于频繁模式挖掘的风电爬坡事件统计特性建模及预测

风电爬坡事件的统计特性建模和精准预测有利于电网的安全稳定运行。文中首先通过参数分辨率自适应算法对大型历史风电数据库进行爬坡事件检测,得到风电爬坡事件的历史学习集。对该学习集进行数据挖掘,建立了单个爬坡事件的起点、终点、持续时间以及爬坡间隔的多属性联合统计特性模型,并得到爬坡事件的基本模式。通过关联规则算法建立了多个相邻爬坡事件之间的自相关性统计特性模型。在此基础上,提出了爬坡事件序列预测算法的基本概念和模型。算例结果表明,所提算法能够更为直观地描述爬坡事件的统计特性,且基于事件序列的预测算法能够较好地进行日前的爬坡预测。

基于爬坡特征和云模型的风电功率预测误差区间评估

为了满足电力系统优化运行对预测误差区间评估结果越来越高的可靠性要求,改善传统的区间评估方法在发生小概率风电爬坡事件时较差的适应性,提出了一种基于爬坡特征分类和云模型的风电功率预测误差区间评估方法。通过对每类数据分别建立模型以提高不同爬坡类型下评估方法的适应性。首先,利用改进的旋转门算法识别爬坡后得到爬坡特征,并基于爬坡特征对预测误差进行分类,对上爬坡类误差和下爬坡类误差分别建立云模型,对非爬坡类误差采用K-means算法得到不同预测误差类型所对应的区间范围。然后,以风电功率和爬坡特征数据共同作为模型输入,以预测误差类型为输出,建立评估模型,从而得到风电功率预测误差评估区间。最后,利用Elia网站的风电数据进行算例分析。结果表明,所提方法的风电功率误差区间评估效果更优。

新能源爬坡事件综述及展望

从爬坡的定义方式、预测方法、控制策略三个层面出发,对以风电、光伏为代表的新能源爬坡事件进行概述。列举爬坡事件常用的定义并分析其优劣性;总结爬坡事件目前主流的预测方法,根据是否利用功率预测结果分为直接法和间接法,并对常用的评价指标进行介绍;阐述目前爬坡控制策略常用的方法,按照有无储能参与分为无储能参与的有限度控制策略和有储能参与的联合控制;对目前研究仍存在的问题和未来重点研究方向进行总结。