基于类3σ准则的光伏功率异常数据识别

在光伏电站实际运行过程中,通信测量设备故障、人为因素均会造成测量数据异常。为了有效地识别和处理异常数据,文章利用混合t Location-Scale分布模型中模型参数易于调整的特征,建立了类似于正态分布3σ准则模型的类3σ准则模型,并利用该模型对光伏功率异常数据进行识别。文章对两个光伏电站的实测数据进行分析,研究结果表明,与正态分布3σ准则模型相比,类3σ准则模型具有正确识别率高、适用性好等优点。

基于相空间重构的风电功率波动特性分析及其对预测误差影响

精确的风电功率预测是保证含大规模风电电力系统安全稳定运行的重要基础。为提高风电功率预测精度,已开展了诸多研究,新的预测方法不断涌现。但任何方法都无法保证无差预报,究其原因,风电功率的预测精度不但和预测方法有关,还与风电功率波动特性有关。该文阐述了评价风电功率波动特性的必要性;在相空间重构基础上,利用递归图和递归率对风电功率时间序列波动特性分别进行了定性和定量的刻画,以表征风电功率波动新模态产生的机率;分析了不同空间尺度下递归率的变化规律,建立了分析风电功率时间序列波动特性与预测误差关系的方法,最后给出了利用递归率为风电场管理机构确定切实可行且公平的预测精度考核指标提供依据的方法。文章算例说明了方法的有效性。

计及风向信息的风电功率异常数据识别研究

针对目前风电功率异常数据识别的算法复杂繁琐且识别效果不理想,算法通用性差,对复杂多变的风电功率数据难以有效甄别等问题,依据实测风速功率数据中异常数据来源的特征提出一种不同风向上的不同风速区间内异常数据的识别方法。该算法基于不同风向上不同风速区间的组内最优方差来识别其相应的异常数据,最后经归类整理后识别出机组全部的异常数据。研究结果表明该算法可有效识别风电异常数据。

基于熵权综合关联度数据挖掘的风电功率实时预测研究

采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究。然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率。通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率。

基于风速升降特性及支持向量机理论的异常数据重构算法

风电机组历史功率数据是进行风电研究的重要基础,而风电机组实际采集到的数据中存在大量的异常数据,这给风电功率预测研究带来许多不利影响。对历史数据的风速-功率对应关系进行研究,识别并剔除异常数据。分析风速升降变化对功率的影响,建立SVM数据重构模型。根据风速升降特性及强相关风电机组的出力特性对数据重构模型加以改进。以风电机组的实测数据为例进行仿真计算,结果表明所述方法能够对异常数据进行有效地识别和重构。

基于风电场等效平均风速的风电功率日前预测研究

提出风电机组风速模型及风电场等效平均风速模型,并由此得到基于风电场等效平均风速的风电功率预测方法,与以往基于平均风速的预测方法进行工程应用效果对比,该方法较基于平均风速的预测方法在预测精度方面有明显提高,且模型简易可行,具有通用性。

基于混合分布模型的风电功率波动特性研究

风电功率的波动特性是影响风电功率预测效果的关键问题之一。为定量描述风电功率波动的概率分布特性,提出基于混合含有尺度参数和位置参数的t分布模型(t Location-scale分布)对风电功率波动变化率进行拟合,通过k均值聚类算法进行模型参数确定。从风电场内风电功率波动的时间分布特性和空间分布特性两方面进行研究,分别比较相同机组数量不同采样间隔和相同采样间隔不同机组数量的风电功率波动的时空分布的概率拟合效果,并将混合含有尺度参数和位置参数的t分布模型与单一分布模型中的Normal分布、t Location-scale分布以及混合高斯分布通过评价指标进行对比,验证了其有效性和普适性。

基于概率分布量化指标和灰色关联决策的风电功率实时预测研究

对于风电功率实时预测,如何有效的引入风速信息进行高精度的预测,需要进行深入研究。首先引入灰色理论中的灰色关联的算法,建立基于概率分布指标的量化分析模型(quantitative analysis model based on probability distribution,QAM-PD)。其次通过实测风电场数据对模型进行分析,利用灰色关联关系和标准风速功率曲线建立基于灰色关联决策的风电功率实时预测模型(real-time prediction model of wind power based on gray relational decision,RPM-WPGRD)。最后选取中国东北某大规模风电场,对其风电功率进行预测。通过误差分析,相较于完全基于历史风速或者完全基于历史功率的算法,该方法可有效提高预测精度。

基于预测误差分布优化模型的风电功率超短期概率区间预测研究

提出一种基于预测误差分布优化模型的风电功率概率区间预测方法。由于风功率数据存在显著的时间相依结构,该方法首先对预测功率按出力不同进行划分,以划分区段内的预测误差为统计样本,分别采用多种分布模型拟合误差概率密度,通过拟合指标选择优化模型,进而求解该分布模型的累积概率,并通过计算指定置信水平下的置信区间进行概率区间预测。利用性能指标比较典型单一分布模型和优化模型的预测结果,表明基于优化模型的概率性预测区间覆盖率更高、平均带宽更窄、精度更好、效果更优。

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段。通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型。分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法。针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度。

基于原子稀疏分解和支持向量机的风电功率实时预测研究

准确的超短期风电功率实时预测是实现风能大规模调度的有效手段.针对风电场风电功率实时预测精度低的问题,文中提出了一种基于原子稀疏分解(ASD)理论和支持向量机的预测方法.该方法利用原子稀疏分解算法对风电功率时间序列进行分解,然后对得到的原子分量和残差分量分别进行自预测和支持向量机预测,最后将预测值组合叠加,从而得到最终的预测值.以某风电场的实测风电功率数据为例,进行不同时段的实时预测.结果表明,该方法可以显著提高风电功率的预测精度.