考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。

基于改进功率控制环的VSG优化控制方法

由于微网中分布式电源无法像同步发电机(SG)一样为系统提供惯性及阻尼,导致系统出现低惯量和弱阻尼特征。通过虚拟同步机(VSG)控制方法可使并网逆变器具有SG的调频调压特性。因此,提出一种基于改进功率控制环的虚拟同步机优化控制方法。首先,建立了含VSG的微网系统结构模型,设计了VSG的功率外环控制方案。然后,在有功环设计超前滞后环节,用于解决传统VSG的惯量阻尼控制不能兼顾系统的动态响应速度和静态控制精度的矛盾;在无功环设计修正环节,用于补偿传统VSG控制中功率耦合对无功功率响应速度的影响,以提高无功功率的动态响应速度,抑制有功功率及无功功率振荡。最后,在MATLAB中建立了微网仿真模型并进行验证,证明了所提控制方法的有效性。