风电场风功率预测系统研究

对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力。文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据。提出并实现了"自适应逻辑网络"(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段。现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性。     

基于混核LSSVM的批特征风功率预测方法

针对风电场风功率预测问题, 利用历史风功率、气象数据和测风塔实时数据等相关信息, 提出了带有批特征的混核最小二乘支持向量机(Hybrid kernel least squares support vector machine, HKLSSVM)方法, 建立风电场风功率预测模型.为了增强模型的适应性, 设计改进的差分进化算法对模型参数进行优化, 并利用稀疏选择方法来选取合适的训练样本集, 缩短建模时间, 保证预测模型精度.根据风场风机的地理位置分布情况, 提出批划分的建模策略, 对相近地理位置的风机进行组批, 替代传统风场风功率预测方法.通过风场中实际数据进行测试, 实验结果表明与其他预测方法相比, 本文提出的方法能够提高预测精度和效率, 减少风电波动性对电网的影响, 从而提高电网的安全性和可靠性.     

风电功率预测预报系统的设计与实现

风电功率的准确预测对风电的合理调配利用、电网稳定、商业运营、决策服务等方面有着重要的作用。本文借鉴国内外风电功率预测软件优点,研究风电场功率预测业务流程,设计一套集数据采集、功率预测、精度分析等功能为一体的风电功率预测预报系统(WINd Power Prediciton,WINPOP)。本文介绍系统的设计思路,重点分析系统的技术架构和功能模块设计,阐明系统实现的关键技术,展示系统建成后的主要功能,并给出在风电场安装使用情况,结果表明,功率预测准确率达到85%以上。系统接入后能够减少旋转备用容量,提高风电利用率,保证电力系统的安全稳定运行。     

基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

基于GA-BP算法的光伏系统发电功率预测

随着光伏产业的迅速发展,光伏发电已成为可再生能源的生力军.然而,光伏系统的发电功率受不同天气状况的影响,具有不确定性和周期性等特点.为准确预测光伏发电功率保证电网的稳定性,本文采用GA-BP(Genetic Algorithm-Back Propagation)算法对光伏系统发电功率进行预测分析,结果表明,本文提出的模型和方法可以较为准确的预测光伏系统的输出功率,具有一定的实用价值.     

基于GMDH网络的风电功率短期预测

风力发电是当今新能源领域最具有前景的发展方向,而准确有效地预测风电场的输出功率对于风电场的顺利并网运行具有重要的意义。从实际的风力发电场中获得了有关风速、风向以及实际输出功率等历史数据,建立了基于GMDH神经网络的风电短期功率预测模型并将其运用于实际的风电场功率短期预测当中。最后,通过将预测结果和实际输出功率比较,表明GMDH方法在风电功率预测中具有较高的预测精度。     

基于CNN的区域风功率预测方法

针对目前国内外风功率预测精度普遍不高,预测效果难以为电力系统调度提供可靠保障的现象,提出了一种基于CNN的区域风功率预测方法.采用k阶最小二乘法曲线拟合和BN归一化对历史数据进行预处理,将总数据集划分为训练集、验证集和测试集,数据矩阵化作为网络的输入,训练结束后保存最优模型,通过滚动预测的方法得出最终预测结果.算例结果表明,上述方法适合对未来超短期风功率曲线进行准确预测,预测精度较传统方法和现有水平均有不同程度的提高.     

基于CEEMDAN-SAFA-LSSVM的短期风功率预测

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一.建立了基于CEEMDAN-SAFA-LSSVM短期风功率组合预测模型.采用完全集合经验模态分解(CEEMDAN)将原始风功率序列分解成特征互异的各个本征模态分量,对分解产生的本征模态分量进行相空间重构,然后根据得到的新模态分量建立相应的最小二乘支持向量机(LSSVM)预测模型.针对LSSVM模型的预测精度易受参数选择的影响,提出萤火虫算法(SAFA)优化LSSVM模型的参数,解决了 LSSVM参数寻优效率低的问题.算例分析表明CEEMDAN-SAFA-LSSVM模型在风功率预测中具有较高的预测精度和预测效率.     

基于ES-GRU-LSTM的风电场群功率预测

风电占比的不断增加对电力系统安全稳定运行带来挑战,快速、准确的风电功率预测方法至关重要。提出了一种ES-GRU-LSTM模型对风电场群功率进行预测,通过指数平滑法（ES）处理原始数据填补缺失与异常值,提高了功率数据集的可信度和平滑性,并引入训练速度快、结构较简单的门控循环单元（GRU）对预测性能好、准确性较高的长短期记...     

基于经验模态分解与多分支神经网络的超短期风功率预测

风功率预测是实现风电场监控及信息化管理的重要基础,风功率超短期预测常用于平衡负荷、优化调度,对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多,风功率时序信号往往具有非平稳性和随机性。循环神经网络（RNN）适用于时间序列任务,但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰,提高风功率预测精度,提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解（EMD）以重构数据张量,然后用卷积层和门控循环单元（GRU）层分别提取局部特征和趋势特征,最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明,与差分整合移动平均自回归（ARIMA）模型相比,所提方法在预测精度方面有将近30%的提升,验证了所提方法的有效性。     

一种基于时间序列模型的风速预测方法

根据风速数据特点,提出一种基于时间序列的风速预测模型,对模型中的相关参数进行确定。实验结果表明,对风速进行提前1小时预测时,预测风速与实际风速较吻合,误差仅为10%,从而为大气污染物浓度确定提供有效依据。     

基于局部高斯过程的短期风速预测

准确的风速预测对于风电场和电力系统的稳定运行具有重要意义。本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。     

基于聚类的超闭球算法短期风速预测研究

具有较高精度的超短期风速预测有着重要的作用,它对建立和保障并网运行风电场风电功率预测预报系统有着举足轻重的作用.但是,由于风速的影响因素较多,且存在着巨大的波动性、随机性,以及较高的自相关性.这些因素,极大地影响了传统的风速预测方法.因此,探究一种短期风速预测方法是十分必要的,此方法以聚类的小脑超闭球算法为基础,此超闭球方法,对减少数据输入的地址碰撞有着很好的作用,提高了学习速度,另通过模糊聚类对输入数据确定节点数和节点值,提高了学习精度.仿真结果证明基于聚类的小脑超闭球网络相比应用较为成熟的BP神经网络等能很好地预测未来1h风速.     

基于小波神经网络法的短期风电功率预测方法研究

基于小波与BP神经网络,提出一种小波与BP神经网络结合的方法对短期风电负荷进行预测。运用小波能够精确地提取时间序列的细微特性和BP网络的输出反馈作为输入神经元数据增加了数据信息量的特点,构建了小波神经网络预测模型,经实际数据证明该方法提高了预测的精确性。     

Wind modelling,validation and sensitivity study using Weather Research and Forecasting model in complex terrain

A physically-based wind model is applied to determine wind speed and direction and to conduct a model sensitivity analysis. The focus is the East African site of the Lake Turkana Wind Farm, characterized by complex terrain and high diurnal variability that creates a nocturnal jet of typically 15 m/s. Observations from three tall meteorological masts are compared with Weather Research and Forecast (WRF) model outputs. WRF is configured with four domains nested down to 900 m spatial resolution. The model is tested with initialization fields from two different sources, optimised using different grid configurations and parameterization schemes. Comparing model and data from 3 tall masts A, B and C yields that the primary source of error in WRF model simulation in a complex terrain is due to incorrect specification of boundary fields used to initialize the model. RMSEs achieved in this research are ≤2 m/s representing good model performance (Emery et al., 2001).     

基于稀疏表示方法的短期风电功率预测

针对短期风电功率预测,提出一种基于稀疏表示特征提取的建模方法.为了构建预测模型,将历史风电功率数据构成具有时延的输入-输出数据对,将时延输入数据向量作为初始字典,由K-均值奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为极限学习机(ELM)或支持向量机(SVM)的输入来构建全局回归模型.为了验证所提出的方法的有效性,将所提出的方法用于短期风电功率预测中,在同等条件下与单一SVM、ELM方法和非字典学习的其他稀疏表示建模方法进行了比较.实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提出的方法具有更好的预测效果,显示出其有效性.     

基于CEEMDAN-FE-KELM方法的短期风电功率预测

针对短期风电功率预测,提出一种基于自适应噪声完整集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）-模糊熵（FE）的核极限学习机（extreme learning machine with kernels,KELM）组合预测方法．CEEMDAN方法在信号分解的每一阶段都添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD（ensemble empirical mode decomposition）方法相比,其分解过程是完整的．为降低信号非平稳性对预测精度的影响及减少计算规模,采用CEEMDAN-模糊熵（FE）方法将信号分解为具有不同复杂度差异的子序列,然后分别构建相应的KELM预测模型,最后对预测结果进行合成．将CEEMDAN-FE-KELM方法应用于某地区的短期风电功率预测,在同等条件下,与单一的KELM方法及KELM的组合预测方法进行实验对比,结果证明该方法更有效．     

改进的EMD及其在风电功率预测中的应用

针对非平稳信号在经验模态分解(Empirical Mode Decomposition,EMD)过程中包络拟合时出现的过冲/欠冲问题,提出采用分段三次Hermite插值代替三次样条插值作为新的包络拟合算法.针对神经网络对非平稳性功率序列预测困难问题,采用EMD和神经网络相结合的方法对发电功率进行预测.使用改进的EMD对...     

短期风速多步预测的研究

为了提高风电场短期风速预测的精确度以及预测尺度,提出了一种将小波分解法、经验模式分解法及最小二乘支持向量机相结合对风速时间序列进行短期多步预测建模的方法。该方法采用小波分解法对风速信号进行分解,使之分解成不同频带的高频和低频分量;再利用最小二乘支持向量机对各分量建立预测模型,将各预测模型的预测值叠加可得到模型的预测结果。该模型称为预测模型Ⅰ。其次,将预测模型I的预测结果设为训练样本,采用经验模式分解法把训练样本集分解成若干本征模式分量和趋势项;再利用最小二乘支持向量机对各本征模式分量和趋势项建立预测模型,同时扩大模型的预测尺度;将各预测模型的预测值叠加可得该模型的预测结果。该模型称为预测模型Ⅱ。最后,将预测模型Ⅱ、Ⅰ的预测值叠加得到最终预测结果。实验结果表明,采用该方法预测的风电场短期风速的RMSE值为0.153,验证了该方法的有效性。