基于出力模式匹配的风电集群点多时间尺度功率预测

风电集群点出力预测是提高大规模风电接入条件下电力系统运行安全性和经济性的有效手段。针对风电集群点出力的模式性,利用元组向量表示其变化趋势,通过元组向量时间扭曲法对当前出力模式在历史出力模式库中进行匹配,以时间偏移量、时间压缩率、幅值压缩率3个修正参数表征相似出力模式的差异性,结合匹配结果对风电集群点出力进行预测。实际应用结果表明,该方法可以取得较为理想的效果,参数修正能够提高预测精度,使预测结果更加合理。     

基于集群动态划分与BLSTM深度学习的风电集群短期功率预测

风电集群的整体功率预测对区域风电的优化调度具有重要意义,现有集群预测方法并未考虑集群内各风电场数值天气预报(numerical weather prediction, NWP)信息在时间序列上的差异性波动,并按此进行集群的合理划分。为此,提出了基于天气过程动态划分的风电集群短期功率预测方法。首先将96 h时间尺度的待预测样本均分成16份等时长的子样本;然后对每份子样本分别进行集群的聚类与划分;再依据划分结果构建各子样本所含子集群的训练集;最后通过双向长短期记忆(bidirectional long short-term memory,BLSTM)人工神经网络对各子集群进行功率预测。算例结果表明,所提方法在4 h超短期预测、24 h日前预测、96 h短期预测中相较统计升尺度法可分别提高1.69%、0.77%和0.59%的精度。论文研究可为风电集群划分和短期功率预测提供参考。     

一种风电集群分层模型预测控制策略研究

针对分布式风电场大规模风电集群（WPC）在电力系统并网中存在的有功功率调度与控制问题,提出了一种基于动态电力调度的分层模型预测控制（HMPC）策略。首先,将调度框架分为日内调度、实时调度、集群优化和风电场调制四个层次,使得风电调度具有精细的时间尺度。其次,利用下行旋转和传输路径最大限度地提高风电场调制层的风电输出,并通过数值特征方法进行分层分析,提高优化模型中风电预报数据的准确性。最后,利用真实风电场数据进行仿真实验,验证所提控制策略的有效性。实验结果表明,所提HMPC策略能充分利用风电集群的多个时间尺度和适应因子的预测信息,能有效提高风力发电集群传输路径的利用率,提高了风电的可容纳空间和调度的准确性。     

面向分布式电源功率波动平抑的变频空调集群多时间尺度模型预测控制策略

为发挥变频空调（IAC）集群在平抑分布式电源波动方面的调控潜力,该文提出一种变频空调集群多时间尺度模型预测控制策略。首先,根据IAC调控方式的不同,构建基于温度指令调控的等效电机模型与基于直接功率控制的等效储能模型,分别用以实现IAC集群的15min级与1min级控制。在温度指令调控方面,考虑IAC响应目标温度所需的动态过程,利用集中式控制架构实现温度指令的优化整定,并进一步研究了IAC的有序动作策略以缓解大规模IAC同时动作所带来的功率冲击问题;在直接功率控制方面,计及IAC间的状态差异,采用集中优化、自主响应的方式实现IAC集群的功率优化与快速响应。最后,经算例仿真,验证了该文所提控制策略可实现IAC集群的多时间尺度协同,能够有效平抑分布式电源的功率波动。     

考虑功率预测偏差和出力调节不确定性的风电集群功率分配策略

当因输电通道限制需对风电集群进行限电时,应考虑各风电场功率预测和调节能力的差异。考虑功率预测偏差和调节能力不确定性,构建机会约束规划和机会约束目标规划相结合的风电集群日前功率调度模型,并采用采样排序的方法将不确定变量转化为确定性变量对模型进行求解。对华北某地区风电集群进行案例分析,结果表明,在满足风电场间期望调度电量比例要求的基础上,相较于传统模型,所提模型能有效降低弃风率和系统负荷不平衡时的缺额电量。     

限出力条件下风电场集群有功功率优化分配方法

受电网建设与风电场建设不协调、外送通道输送能力不足等因素影响,风电场弃风问题日益严峻,且短期内无法得到有效解决。结合中国大规模风电基地开发建设特点,建立了一种基于超短期功率预测的限出力条件下的风电场集群有功功率优化分配方法。该方法将限出力条件下的风电场集群有功出力最大化、线损最小化作为目标函数,将系统安全、风电场输出功率、风电机组频繁启停、低预测功率作为约束条件,许计及了联络线上有功功率损耗以及超短期有功功率预测误差的影响。以中国西北地区某风电场集群进行的箅例分析验证了方法的有效性和可行性。     

风电集群紧急功率控制方法研究

在调度中心要求风电集群紧急切功率时,需优化协调分配多个风电场的功率切除量。本文首先分析了风电场紧急功率切除的方式,进而提出了基于切场组合、基于风电场切机、基于切场与场内切机相结合和基于风电场累计有功功率切除量排序的4种不同的紧急切功率分配算法;其次以分配偏差量、风电场切场数等5个指标的加权组合构建综合评价指标以评估各算法的性能;最后以某实际风电集群为例,验证所提算法的有效性。分配结果和综合评价指标值表明4种分配算法都有各自的适用范围,其中基于风电场累计有功功率切除量排序的方法综合指标值最小,适用范围最大。     

基于SDAE深度学习与多重集成的风电集群短期功率预测

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法.所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列...     

基于改进空间资源匹配法的风电集群功率预测技术

大规模风电集群的功率预测,有利于调度部门制定科学合理的发电计划,提升电网的健壮性。基于空间资源匹配法(spatial resources matching algorithm,SRMA)的风电集群功率预测方法,比广泛采用的统计升尺度法具有更高的精度,而且需要的计算资源较少。但是现有的空间资源匹配法,匹配参数单一,不利于预测精度的进一步提升。文章在详细介绍空间资源匹配法的基础上,提出了一种考虑风电功率测量数据的改进空间资源匹配法,并通过52个风电场组成的风电集群开展了0~12 h的风电功率预测。结果表明,改进的空间资源匹配法前4 h的预测精度比传统的匹配法有较大幅度的提升,具有较强的工业应用推广价值。     

服务于预测评价的风功率出力模式聚类研究

风电功率的预测精度与其出力模式密切相关,然而现有的风电功率评价指标对不同出力模式的风电场采用统一的评价标准,评价结果有失公允。文章研究了不同风电出力模式对预测结果的影响,并基于研究结果为实现合理评价提供思路方法。首先提取了日尺度样本熵、样本熵超阈值天数占比以及月尺度样本熵这3个特征指标,在此基础上利用一种密度聚类算法对不同风电场出力模式进行聚类;其次针对聚类得到的若干出力模式,分别采用持续法、一次指数平滑算法、径向基函数(radical basis function,RBF)神经网络法3种常用的预测算法进行预测,以说明不同出力模式可预测性的差别;之后采用云南某地风电场集群的实际运行数据进行仿真计算,结果表明所提出的3个特征指标能够有效表征不同风电出力模式不同时间尺度下的可预测性强弱;最后给出了研究结果在风电功率预测评价上的具体应用。     

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30 min的预测精度,而对提前量为1 h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。     

基于EMD—AR算法的风电场功率短期预测

针对风电场功率的随机性和间歇性,采用经验模式分解（EMD）的方法对风功率进行平稳化处理。将风功率自适应地分解成一系列较平稳的分量再进行建模预测,提出了EMD—AR预测模型用来改善AR模型的性能．并进一步提高风电场功率预测的精度。     

风电集群有功功率控制及其策略

鉴于大规模风电并网的集中控制和精细化调度要求,文中基于区域有功功率分层调度思想,设计了风电调度中心站—风电集群控制主站—风电场控制执行站3层体系架构的风电集群有功功率控制系统,并给出风电集群控制主站和各场站间控制接口的设计方案。继而考虑风电场、分散接入风电机组的调节性能差异,针对运行实际需求提出一套面向集群控制主站的有功功率控制策略,实现风电场有功控制模式的在线决策和相应模式下的有功功率指令值的在线快速计算,并验证了控制策略的有效性。所建系统可实现风电集群内风电场、分散机组的统一调度与监控,并且在充分利用电网接纳风电能力的同时提高集群运行的经济性,有效解决目前风电分散控制导致的资源浪费、协调困难等问题。     

风电场（集群）的无功优化规划研究

介绍了无功规划的基本内容和规划模型;总结了风电场电压一无功的特点;分析了风电场常用无功补偿装置的特性及相关管理规范。在此基础上,从计及静态电压稳定约束方面介绍了风电场无功优化规划的数学模型,并对求解方法进行了综述,简要说明了动态电压稳定约束下的无功优化规划问题。最后对风电场优化规划问题提出了建议和未来的发展方向,强调考虑电压稳定性和经济性的风电场无功优化规划是当前该领域的发展趋势,对保持电力系统电压质量与稳定性具有重大意义。     

基于机器学习的集群式风光一体短期功率预测技术

针对区域风、光电站群的功率预测,由于各站建站时间不同、单站预报精度残次不齐,导致传统的单站功率累加法预测精度和运行效率不高的问题,采用基于机器学习的二分K均值聚类算法分别对区域内的风电场和光伏电站群进行合理划分,结合区域内各电站历史功率数据及区域总历史功率数据的相关性,选取出各区域的代表电站。在对数值预报要素进行优化订正后,采用BP神经网络法建立基于风电场和光伏电站集群划分的短期功率预测框架模型。结果表明：采用该方法的集群式风电和光伏短期功率预测准确率高于或接近于传统单站累加的预测精度,且该方法在保证预测精度的同时,能够显著提高建模效率。     

基于运行数据的短期风电功率预测误差互补特性探析

随着风电装机容量的不断增加,风电场、风电场集群功率预测误差对调度运行的影响越来越大.当前风电预测误差特性研究主要针对单个风电场,无法满足当前电网调度运行需求.基于此,文中首先统计分析了大量风电场的分布特性,总结了不同规模风电场集群预测误差分布特性的变化规律,探索了集群预测误差概率分布的最佳拟合模型.然后,针对预测误差分布对未来的指导作用,提出了误差分布持续性的评价指标.最后,对风电预测误差研究的作用进行了较为全面的分析,并指出以风电场站集群为单位开展电网调度更具有工程适用性.     

超级电容器在风电场有功功率调节中的仿真研究

比较和分析了电池储能系统、超导储能系统、飞轮储能系统和超级电容器储能系统、抽水蓄能以及压缩空气储能系统等多种储能设备的基本工作原理,选择了可以快速大功率充放电的超级电容器作为风电场的储能设备以抑制风电场输出有功功率的波动,给出了解决方案的数学模型、工作原理.在电力系统仿真软件Matlab/Simulink中对其进行了仿真分析,结果表明利用超级电容器储能系统能够较好地解决风电场输出有功功率的波动问题.