风电功率预测

摘要： 针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。

摘要： 精确的短期风电功率预测能有效提高电网供电可靠性。为降低风电数据中隐含噪声对预测结果的影响,采用奇异谱分析(Singular Spectrum Analysis,SSA)将原始数据分解并重构为趋势、周期和高频噪声三个子序列,作为预测模型的输入。针对传统循环网络局限于时间相关性的前向提取,提出卷积双向门控循环单元网络(Convolution Neural Network-Bidirectional Gated Recurrent Unit,CNN-BiGRU)预测模型。前者提取重构子序列间特征的耦合关系,后者挖掘数据的双向时间相关性,以提高预测精度。为了研究该模型的预测性能,选取了其他模型进行对比,试验结果表明SSA-CNN-BiGRU模型比其他模型更具有优越的预测性能。

摘要： 为解决综合能源电/热储能配置问题,提出了一种含风电接入的区域综合能源系统电/热储能配置方法。首先,构建风电功率预测的动态神经网络预测模型,对区域综合能源系统内的风电场出力进行有效预测。然后,分析区域综合能源系统电/热储能充放能行为,建立储电、储热与区域风电场功率的联系,并考虑电热耦合关系,形成电/热储能的联合优化配置模型。最后,选取某地实际数据,设置3个场景,将预测结果代入优化模型计算储电和储热配置,对比验证了该方法下风电预测具有较好效果,有利于储能资源的优化配置和降低成本。

摘要： 风电功率的预测精度受到多种因素的影响,为进一步提高预测精度,提出一种基于浅层方法和深度网络集成的短期风电功率预测模型(GRA⁃GWO⁃SVR⁃AdaBoost⁃GRU),集成灰色关联度分析(GRA)、支持向量回归机(SVR)、自适应提升集成(AdaBoost)和门控循环单元(GRU)等多种模型/方法。首先采用GRA计算变量之间的相关程度,选择相关性高的3个特征作为模型的输入;其次利用GWO算法对SVR的惩罚参数和核函数参数进行优化,建立GWO⁃SVR预测模型;然后采用AdaBoost集成模型构建强回归器进行预测;最后采用GRU模型对预测误差进行修正,将修正后的误差与预测结果进行叠加,得到最终预测值。仿真结果表明,该模型的预测结果的均方根误差和R⁃Square显著优于其他传统模型,有效提高了风电功率的预测精度。

摘要： 为改善BP神经网络算法需要大量训练数据和预测精度有限等问题,提出了以输入层、隐含层和输出层为目标的分层优化思路。首先,利用灰色模型良好的小数据趋势辨别能力对输入层数据进行处理,以更好地提炼数据内部蕴含的数学规律,压缩神经网络所需训练数据样本数量;然后,利用遗传算法优越的全局寻优能力确定隐含层的初始权值和阈值,抑制神经网络隐含层参数无法准确获取所导致的误差较大和泛化能力弱的问题;最后,采用蚁群优化算法对输出层数据进行优化,以进一步改善神经网络模型的计算精度。以波动性较强的风电功率进行算例验证,结果表明,所提基于分层优化思想的神经网络算法,能在减小预测误差的同时,降低神经网络所需样本量并增强其泛化能力。

摘要： 针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将Tent混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。

摘要： 高精度的风电功率预测在电力系统的安全稳定运行和能源系统的优化配置中至关重要。为了从多维风电历史数据中提取隐藏信息,准确选择与预测目标高度相关的高维特征,克服时间序列的短时记忆问题,提出了一种以卷积神经网络-双向长短时记忆网络(convolutional neural network and bidirectional long short term memory network,CNN-BiLSTM)为基础模型,结合双重注意力机制和贝叶斯优化算法的风电功率超短期预测模型。首先,为了自主挖掘输入特征与风电功率之间的数据关联,进一步突出重要特征影响,在常规的CNN架构上增加注意力机制,构建特征注意力模块;然后在BiLSTM网络输出端引入注意力机制形成时间注意力模块,增强BiLSTM网络的长时记忆能力,加强重要历史信息的影响;最后,采用贝叶斯优化算法优化所提模型的超参数,选取最优超参数,发挥模型最佳性能。以中国西北某风电场实际数据进行验证,模型的单步预测精度达到95.58%。多步预测结合数值天气预报信息实现4 h前超短期预测,其精度达到90.44%。实验结果表明所提基于超参数优化和双重注意力机制的预测模型相比其他模型具有更高的预测精度。

摘要： 提出一种基于层次聚类法的EMD-ELM风电功率预测方法,用来解决目前风电站功率预测精度不够的问题。该方法利用层次聚类的聚合算法将天气情况相似的数据经行聚类,使用EMD方法来分解各组功率序列,可以得到相对平稳的数据分量,最后采用ELM模型对各分量经行预测并且重组。由于相似天气情况的数据特征更加的明显,所以经行聚类会使预测更加的准确。算例仿真表明,该模型与传统的预测模型相比有更高的准确度。

摘要： 精准的风电功率预测是电力的合理调度的重要依据和电力系统的平稳运行的重要保证。本文提出了组合残差网络和门控循环单元的风电功率预测模型。该模型使用残差网络提取风电数据的多维非线性特征,之后将特征向量时序化并作为门控循环单元网络的输入。残差网络将前面的时序特征与当前时刻的特征相结合,可以取得比普通卷积网络更好的非线性时序特征。门控循环单元网络比传统的长短期记忆网络有更简单的结构和更高的预测精度。本文通过实验的方法优化了所提出的模型中残差块的个数和门控单元的个数。在法国La Haute Borne风电场的风电数据上的仿真实验表明,本文提出的方法具有令人满意的预测精度。

摘要： 文章基于集成学习思想对风电机组的运行工况进行辨识,进而完成功率预测。首先采用模糊C均值聚类法进行工况辨识,再建立基于SVM的子学习器模型。在主学习器模型的选择上,考虑运行工况对主学习器的影响,提出了一种基于改进的SVM主学习器模型,将样本到聚类中心的距离加入主学习器模型中。实验结果表明,文章所提出的基于集成学习思想的风电功率预测方法,更加符合工程的实际情况,预测精度高,适用于风电功率的预测。

摘要： 我国风力发电相关技术日益完善,不论是技术理论研究还是实际应用,都取得了重大进步.但从资源和市场配置情况来看,我国风电开发的程度还较低,加快风电行业发展仍将是增强我国能源供应、调整能源结构和生态保护的重点工作.在电力市场环境下,风电功率预测的作用越来越重要,直接影响电网调峰容量和对风电的消纳能力.经研究，发现一种中位数滤波方法，采用这种方法按照实测风速将风机功率数据分组，每组数据参考风机出力特性，采用中位数统计方法选定滤波的上下限，为不同的机组提供定制的滤波上下阂值，通过设定数据合理范围，剔除由于数据采集造成的异常数据。并且可以通过对合理范围内数据的进一步分析，筛选出最能反映机组实际运行特点的数据。

摘要： 风电功率预测误差估计为电力系统的规划运行提供重要参考.针对风电输出功率的波动性、随机性和间歇性造成风电功率预测误差精度低的问题,本文首先运用数学统计方法分析影响风电功率预测误差的主要因素,然后考虑风电历史运行数据和预测数据特征,采用KELM算法建立风电功率预测误差估计模型,得到风电功率出力估计区间，验证了所提方法可行且有效.

摘要： 风电出力受环境因素影响大，呈现出典型的波动性、随机性和间歇性特点，同时，受限于现有系统的预测精度，风电功率预测值与实际值之间存在一定的误差，该预测误差的分布特性是风电功率预测精度评估和大规模1风电并网电力系统优化调度的重要参考依据。已有的方法大多采用正态分布模型，该模型尽管能够反映风电预测功率误差的整体分布特性，但就精确度而言，这会在一定程度上会偏离预测误差的实际概率分布，而随着系统风电装机容量的不断扩大，预测误差分布模型的精度对电力系统的运行将产生不容忽视的影响。本文在正态分布模型的基础上，根据概率密度函数以及最小二乘法的相关理论提出了一种描述预测误差分布模型的新方法。对EirGrid风电功率预测数据的计算分析结果验证了该方法的有效性及相对于已有正态分布模型的更精确性。

摘要： 近年来我国风电快速发展,同时也带来了大规模风电并网的问题.文章主要介绍了大规模风电并网引起的电力系统运行与稳定问题及其相关技术解决措施,主要包括大规模风电并网对电压的影响及风电场的电压控制问题，大规模风电并网对稳定性的影响及风电机组低电压穿越能力的问题以及大规模风电并网对调度运行的影响和风电功率预测的必要性这3方面的内容,并针对每一个问题提出了相关的应对策略.

摘要： 目前我国风电快速发展,同时也带来了大规模风电并网安全稳定问题,研究风电并网安全预警系统具有重要意义。本文对变速恒频风力发电机群并网安全预警系统关键问题进行研究,在此基础上,依据变尺度数据挖掘进行超短期风电功率预测,通过PowerFactory提供的二次开发语言DPL(DIGSILENT Programming Language)实现与EMS(Energy Management System)的数据接口,最后以PoweFactory仿真软件中建立的包古变速恒频风力发电机组模型的电网潮流计算模型为核心研发预警系统。实际运行效果表明该系统能很好的应用于风电并网的安全预警及调度管理。

摘要： 一种弥补风电功率预测误差下实现风电厂收益最大化的方法，包括以下步骤，(1)分析风电厂风电功率的预测误差，得到预测误差的分布规律；(2)建立储能系统的储能额定功率和储能额定容量的数学模型；(3)在储能系统的某一误差补偿度下，建立以风电厂收益最大为目的的目标函数。

摘要： 本发明公开了一种考虑风电机组运行工况的风电功率预测方法，它包括获取风电场基础数据、历史数据和预测日数据；对风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ；对预测日第k个时刻风电场气象模式向量Ek进行归一化处理后记做Fk；对气象模式向量初始训练样本库ξ进行筛选；构建BP神经网络功率预测模型最终训练样本λk；利用最终训练样本训练BP神经网络功率预测模型；将Fk输入到训练后的模型，得到预测日第k个时刻的功率预测值Pk；解决了高原山区风电场内各台风机受到的地理气象条件均不相同，造成风电功率预测不准确、精度低等问题。

摘要： 本发明提供一种基于风电天气分型特征选择的风电功率预测方法，具体步骤包括：以历史数据集中的测风塔10m风速筛选数值天气预报风电天气样本段；对筛选样本段进行聚类，将风电天气划分为n类，未筛选的样本段作为第n+1类；对各类天气的输入特征分别进行选择，将W维特征降低到di(i＝1,2,…,n+1)维，di是第i类天气筛选得到的特征数；建立n+1类风电天气下的风电功率预测模型；识别未来24h各段风电天气类型，并分别将各类风电天气关联的di(i＝1,2,…,n+1)维特征作为预测输入，进行风电功率预测。本发明对不同持续时长的风电天气进行分型，采用以数据驱动的特征选择方法，发现不同天气背景下风机出力的关联天气特征并分别建立风电功率预测模型，有效提高了预测精度和效率。

摘要： 本申请涉及风电功率预测模型的训练和功率预测的方法、装置和设备，包括：获取历史不同采样点对应原始风电功率序列并进行奇异值分解，根据不同奇异值对应能量贡献值，从所述原始风电功率序列中分解出多个与模态对应风电功率子序列；对各模态风电功率子序列采用滑动窗口取数据，得到各模态窗口数据，并从各模态窗口数据中划分出训练集；采用分布式计算方式，将各模态训练集中窗口数据输入TCN模型进行单模态特征向量提取；利用SVM预测模型根据各单模态特征向量进行单模态下的功率预测，根据各模态下损失函数，调整SVM预测模型及对应模态TCN模型参数。解决现有风电功率预测中应对复杂状况时，存在的预测精度不高的技术问题。

摘要： 本发明公开了一种基于虚拟测风塔的风电功率预测系统，包括：数值天气预报服务器，用于获取数值天气预报数据；反向隔离装置，用于保证数据跨安全区传输安全性；数据库模块，用于存储各类数据；数值天气预报处理模块，用于解析数值天气预报数据；监控系统数据处理模块，用于采集风电场实时功率数据和各个风机实时的功率数据、气象数据；虚拟测风塔模块，用于计算出虚拟测风塔数据；预测模块，用于建立预测模型，得到预测数据；用户界面模块，用于展示实时数据与预测数据；上报数据接口，用于上报预测数据与虚拟测风塔数据。本发明可以实现不依赖于实体测风塔的前提下满足风电功率预测和上报数据的需求。

摘要： 本发明涉及风电功率预测及存量风电优化技术领域，具体为基于尾流效应的风电功率预测及存量风电优化控制方法，包括以下步骤，S1：首先导入环境因素以及最上游风力机的推力系数，并导入所预测风力机的动力特性。本发明中，通过步骤1‑4实现对于单纵列数据的运算功能，并在运算过程中，添加风切变、湍流强度等环境因素数据，以及叶片中翼型的空气动力学特性和每个叶片的俯仰角等动力特性数据，通过Jensen模型对风电场中控制整个流场Navier‑Stokes方程进行数值求解，计算风速衰减，提升了运算结果的精准性，在步骤5‑7中，通过对整体数据的预测和分析，达成对于风电功率的整体预测功能，并反复校验，确保风电场的整体运作在该环境因素下风电率达到最优。

摘要： 本发明涉及一种基于微气象的风电场风电功率预测方法，包括以下步骤：建立中尺度WRF模型，获取目标区域的微气象再分析数据作为背景场数据，对目标区域的背景场数据进行计算，获得中尺度气象分析数据；构建微尺度CFD模型，基于中尺度气象分析数据提取风速、风向和湍动能信息，作为入流边界条件输入至微尺度CFD模型进行数值模拟，得到风电场微尺度风场分布基础数据库；根据中尺度数值天气预报，在微尺度风场分布基础数据库中选择对应的风场分布，计算风电场中每台风电机组的风向和风速数据，并根据计算出的风电机组的风向和风速数据和功率曲线计算对应风电机组的发电功率，确定当前运行的风电机组，统计得到目标风电场的风电功率预测值。

摘要： 本发明涉及一种基于风过程识别的风电功率预测集成优化方法及装置，包括：将预测时刻的数值天气预报数据代入各预先训练的风电功率预测模型中，获取各预先训练的风电功率预测模型输出的预测时刻功率数据；利用各预先训练的风电功率预测模型在预测时刻对应的线性回归系数和各预先训练的风电功率预测模型输出的预测时刻功率数据确定最优的预测时刻功率数据；其中，所述各预先训练的风电功率预测模型在预测时刻对应的线性回归系数基于所述各预先训练的风电功率预测模型的训练数据获取。本发明提供的技术方案，可以快速有效的匹配识别预测时刻的风过程的相似的向量同时对风电功率进行集成优化，进而提高风电功率预测的精准度，预测方法简单快捷。

摘要： 本发明公开了一种基于风电功率爬坡预测的风‑蓄‑氢混合储能控制方法，针对风电功率预测精度不高及风电爬坡事件难以检测的问题，基于经验模态分解后的各序列分量使用智能虫群算法对最小二乘支持向量回归预测模型进行优化，得到风电功率最终预测值。利用累加‑摇摆窗算法对其中的风电爬坡事件进行识别并提取其特征值，实现爬坡事件的间接预测。针对风电爬坡对电力系统稳定性造成影响的问题，建立基于多网络前馈算法的风电爬坡抑制效能指标，作为控制策略优化目标的影响因子，并利用AMC控制方法的超前性、氢储能供电的持续性在保证储能出力稳定性和降低系统能量损失的基础上减少风电爬坡，从而保证电力系统的稳定运行。

摘要： 本发明提供了一种支撑风电功率预测的风过程发生路径标示方法及系统包括：将数值天气预报网格坐标点设定为风速粒子的初始位置，将所述数值天气预报的风速和风向数据作为所述风速粒子初始时刻的风速和风向数据；基于初始时刻的风速数据、风向数据确定所述风速粒子下一时刻的位置；将所述风速粒子下一时刻的位置设为初始位置，继续计算所述风速粒子下一时刻的位置，直至获取未来一段时间内风过程发生的全路径；其中，每个时刻的时间间隔由数值天气预报的时间分辨率确定。本发明在二维平台内直观的展示出风过程的演化路径，揭示了具体时空下的天气过程，降低了风电功率的预测误差，提高了风电调控运行水平。