ECMWF降雨集合预报在水库优化调度中的应用研究

为了充分考虑降雨预报的不确定性,本文建立了基于降雨集合预报的径流描述模型,并在满足保证出力条件下,建立以水库在调度期内总发电量最大为目标的随机动态规划模型。以桓仁水库以上流域为研究实例,应用欧洲天气预报中心(ECMWF)的降雨集合预报信息进行水库优化调度。结果显示应用降雨集合预报信息的调度可提高发电量4%以上,表明利用降雨集合预报信息进行水库优化调度,对水库实际运行有一定的指导意义。     

大伙房跨流域引水工程预报调度方式研究

本文以辽宁省的"东水西词"工程为背景,进行大伙房跨流域引水工程预报调度方式的研究.首先,分析基于璜报信息的跨流域调水工程调度方式研究的必要性;其次,利用回归分析法,分析旬降雨、旬初土壤含水量、旬径流量的关系,建立并求解旬降雨径流预报模型,模型精度较高,可应用于调水决策;最后,基于旬径流预报结果、农业用水及来水的相关关系,研究大伙房水库引水后的预报调度规则、预报调度方式以及预报调度图.通过历史资料进行长系列调节,结果表明基于旬径流预报信息的调水调度方式在满足了用水保证的前提下,实现了引水量和弃水量较小的目的.     

基于分期组合预报模型的水电站优调度及其模糊风险分析

针对年内不同时期径流成因与变化规律的差异,本文建立了月径流的分期组合预报模型,对不同时期径流成因特点选用相应的组合预报模型.针对过渡期与丰水期径流预报不确定件较大的特点,采用贝叶斯平均模型进行组合预报,能够发布概率预报.为量化预报误差对水电站发电调度造成的影响,建立了水电站预报优化调度的模糊风险分析方法,从而为科学决策提供参考依据.实例应用表明,分期组合预报模型优于单一模型,且发布的概率预报结合模糊风险分析对制定水电站的月测度计划具有一定的参考价值.     

基于随机动态规划的混合式抽水蓄能电站水库中长期优化调度研究

针对水库天然径流的不确定性,在描述径流随机过程的基础上,建立了混合式抽水蓄能水电站水库发电量期望值最大的中长期随机优化调度的数学模型。以发电流量和抽水时间为决策变量,采用双决策变量随机动态规划对模型进行求解。以白山混合式抽水蓄能电站为例进行实例计算,发现抽水时发电量的期望值从不抽水时的2.165×109 kW?h增加到2.463×109 kW?h,保证出力比不抽水时增加了约12 MW,调度周期内各时段的水位也比不抽水时有所提高。将随机模型与确定性长系列法建立的模型进行了比较分析,通过实例对比发现随机模型取     

GFS未来10天数值降雨预报信息的可利用性分析

中期降雨预报为研究中长期降雨径流预报和发电调度模型提供新的信息.本文依据二滩水电站实际径流和发电运行特征,统计了雅砻江流域全球预报系统(GFS)末来10天预报降雨总量分级预报精度,研究GFS降雨预报在汛期旬径流预报中定量及定性应用,并与常用的ARMA类模型相比较,进而分析GFS未来10天降雨预报信息的可利用性及在二滩水电站发电调度中的应用.研究表明,GFS未来10天数值降雨预报信息能为径流预报和发电调度提供较好的旬径流定性预报信息,并可指导实际的发电调度.     

黄河干流上游梯级水量实时调度自优化模拟模型研究

本文以黄河干流上游梯级为例,根据实时调度中用水计划和径流预报的时段滚动修正特点,研究了自优化模拟技术在水量实时调度中的应用,建立了黄河干流上游梯级水量实时调度自优化模拟模型,给出了求解方法,并进行了算例分析,该模型简单、灵活,有一定的实用性。     

计及风电预测可靠性的含风电电力系统优化调度模型

针对风电随机性对电力系统安全、经济运行的影响,在考虑风电预测可靠性的基础上,建立含风电的电力系统优化调度模型。将实际风电出力看作随机变量,并通过混合Copula函数对历史风电场出力及其对应预测值建立相关性模型;在得到预测出力后,通过相关性模型获得风电实际出力分布概率;采用机会约束规划建立含风电的电力系统经济调度模型,并在保证系统可靠性的条件下优化风电计划出力。最后通过改进粒子群优化算法求解模型,结果表明该模型和算法可行且有效。     

一种市场环境下的电网友好型多微网优化调度方法

摘 要：针对配电网中的多微网系统,提出了一种市场环境下的电网友好型优化调度方法,并建立了日前双层优化调度模型。首先构建了配电网层优化调度模型,通过优化各微网的出力,在保证可再生能源发电比例的同时,减小输电网与微电网向配电网注入功率的波动性,提高配电网运行的经济性,从而提高电力系统接纳微电网的积极性,有助于市场环境下微电网的运行与发展。其次,在微网层,采用多场景技术描述光伏与风电出力的随机性,并将微电网与配电网视为不同的利益主体,设计动态电价激励机制,引导微电网按照配电网需求优化出力,从而建立微网层的经济与环保优化调度模型,协调分布式电源出力。采用模拟退火算法求解模型,仿真算例验证了模型的合理性与有效性。     

基于风电极限穿透功率的经济调度优化模型研究

风电出力的时变特性,决定了风电极限穿透功率对大规模风电并网系统的调度策略有重要的影响.在充分体现环境保护和风电特性的火电和风电的运行价格模型基础上,基于风电场极限穿透功率和风电场出力预报可信度,建立了风电并网电力系统经济优化调度模型.基于新疆乌鲁木齐电网对该调度模型进行算例仿真,并采用遗传算法(GA)实现模型求解,结果表明提出的清洁经济调度模型合理、有效.     

基于风电极限穿透功率的经济调度优化模型研究

风电出力的时变特性,决定了风电极限穿透功率对大规模风电并网系统的调度策略有重要的影响.在充分体现环境保护和风电特性的火电和风电的运行价格模型基础上,基于风电场极限穿透功率和风电场出力预报可信度,建立了风电并网电力系统经济优化调度模型.基于新疆乌鲁木齐电网对该调度模型进行算例仿真,并采用遗传算法(GA)实现模型求解,结果...     

计及风电不确定性的风-水短期联合优化调度方法

针对风电并网带来的出力随机性和波动性问题,提出了一种计及风电不确定性的风-水短期联合优化调度方法。首先,以地区风电群为整体,考虑风电出力不确定性导致的预测值与实际值间的偏差,采用模糊聚类方法对风电预测值与实际值进行二次聚类,构建预测值与对应的实际值间的出力情景集合及条件概率分布,将风电不确定性转变为有限个确定的条件情景进行描述;继而,建立多情景风电与水电站群联合调峰调度模型,结合当前风电预测值对应的实际情景及其概率分布,采用基于逐次逼近和关联搜索的水电站群短期优化调度方法进行求解;最后,以西南某地区为例,验证所提方法应用效果。     

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。     

基于神经网络平均影响值的超短期风电功率预测

针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。     

一种基于加权马尔科夫链修正的SVM光伏出力预测模型

构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于FCM和CG-DBN的光伏功率短期预测

针对光伏输出功率非线性、波动大、不稳定等特征引起光伏功率短期预测不精确的问题,本文提出了一种基于相似日聚类和利用共轭梯度法(CG)改进深度信念网络(DBN)的组合模型预测方法。首先利用FCM聚类算法将原始数据按照隶属度进行相似日聚类,随后根据类别进行CG-DBN预测模型的建模,最后利用该模型进行光伏输出功率的短期预测。本文将方案应用于浙江龙游发电站,并将预测结果与传统预测模型进行了比较。最终得出,FCM和CG-DBN组合预测模型在光伏功率短期预测中的性能优于其他模型。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

基于果蝇算法与自适应性遗传算法组合优化神经网络的光伏电站短期出力预测

光伏电站的输出功率会随着很多因素发生波动,若能够提高光伏系统出力预测的准确性,则能有效地降低光伏电站并网后对电网造成的冲击,提高电力系统的稳定性。建立了果蝇算法与自适应遗传算法组合优化的BP神经网络的预测模型。从预测结果可以发现,采用组合优化算法的BP神经网络模型能够有效避免地BP神经网络易陷入局部极小值点的缺陷,相比于仅优化权值和阈值的BP神经网络模型提高了预测精度,具有一定的应用价值。