基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

风电功率预测误差分析及预测误差评价方法

风电功率预测对含大规模风电的电力系统安全、经济运行有着重要意义。分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图。可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产。     

风电功率预测误差分析及预测误差评价方法

风电功率预测对含大规模风电的电力系统安全、经济运行有着重要意义。分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图。可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义。从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数（Radial Basis Function, RBF）神经元网络的短期风电功率预测模型。运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近。通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定。     

基于改进熵权法的风电功率组合预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。采用单一预测模型进行预测时,都会有各自的优势和劣势,为了更好地提高风电功率预测精度,提出了基于改进熵权法的风电功率组合预测方法,并同时采用滚动式权重,以此来实现对单一预测模型的互补。以吉林省西部某风电场的实测数据为例进行分析,说明了基于改进熵权法的风电功率组合预测方法在对风电功率进行预测时的有效性,同时证明了滚动式权重可以实现对权重的不断更新,使各权重值能够反映出风电功率的最新变化,从而实现了对风电功率预测精度的提高。     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义.从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数( Radial Basis Function,RBF)神经元网络的短期风电功率预测模型.运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近.通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定.     

风功率预测技术水平分析及改进措施研究

风功率预测误差评估对提高含大规模风电系统的安全经济运行具有重要意义。基于山西电网风电功率预测与监视系统,结合常规误差评估统计学指标,提出一种风电预测误差综合评估指标对,该指标既能反映预测方法的整体水平,又能给出预测细节评估。采用该评估方法,并利用山西省风电实测数据进行了分析,结果表明该方法可有效用于风电预测模型的选择及风电场预测工程的验收,进一步验证了该方法的实际应用价值。     

基于Copula-SVM的短期风电功率场景预测方法

风电场输出功率具有随机性、间歇性以及可控性弱等特点,提高风电功率预测精度对含有大规模并网风电的电力系统安全经济运行具有重要意义。基于支持向量机(SVM)建立短期风电功率的均值预测模型,利用Copula函数对多时段风电功率的预测误差进行相依性建模,结合风电功率的预测均值和预测误差相依性结构,形成短期风电功率场景集合,可以直接用于机组组合等决策过程中。基于某实际风电场进行仿真分析,结果表明,考虑预测误差相依结构的场景集合能够包含风电功率实际值曲线,显示了方法的有效性。     

对风电功率预测系统中预测精度的讨论

为了合理地利用风电,提高电力系统经济性,需要对风电场输出功率进行预测。针对目前风电场输出功率预测系统中预测结果缺乏足够精度的原因展开分析和讨论,在此基础上对预测模型中存在的问题以及对基础数据的处理方法进行了改进,并结合并网型风电场给预测系统带来的预测精度不准确的原因展开讨论,提出了解决方案,最后阐述了对提高风电功率预测精度还需要进一步做的工作。     

面向电网稳定性的智能化直流输电控制系统

为了更好地进行能源调配,我国正开始建设坚强智能电网,直流输电控制系统应实现更多系统层的控制功能。智能电网中的直流输电系统的根本控制目标是保障电网整体的自适应和自愈性。为了实现这一目标,需要从直流输电控制的可观测性入手增加控制观测量,引入合理的集控、协调控制理论作为支撑,完善控制输出环节,实现对电网的有效控制。控制的实时性和决策能力是智能化直流输电控制的核心。从可观性、可控性、实时性、自适应性角度分析,提出了面向电网稳定性的多智能体智能化直流输电控制技术框架,为直流输电系统级控制技术的发展提出了思路。     

关于风电场输出功率预测技术发展的综述

风电场输出功率的准确预测对含有风电场电力系统的运行调度管理具有十分重要的现实意义,按风电场输出功率预测技术应用现状与预测方法的发展两条线索展开对风电场输出功率预测技术发展的综述,对国内外风电场输出功率预测技术当前的应用情况进行了总结,对风电场输出功率方法的发展进行了回顾,并最终对当前风电场输出功率预测方面亟待解决的问题进行了探讨。     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

考虑多参数影响的风电场多状态出力概率性评估

大规模风电并网会对电力系统的可靠性带来严峻挑战,其出力的随机性也会对电力系统可靠性评估带来难题。为了准确地对风电场出力进行评估,结合风速的随机性,考虑了风电机组的故障、降额和随机投产状态以及风速分布的威布尔参数对风电场出力的影响,建立了风电场多状态出力的可靠性模型;基于蒙特卡洛法对风电场的有功出力进行了概率性评估,并分析了不同状态数、不同降额概率、故障停运概率、随机投产率及不同的风速分布威布尔尺度参数和形状参数等对评估结果的影响。仿真结果表明,所建模型切实可行,能有效地对风电场出力进行评估。     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t location- scale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

风电场日出力曲线和储能容量关系研究

为了促进风能的利用与发展,减小大型并网风电场输出功率不稳定给电力系统调度带来的影响,提出了一种基于功率预测和储能系统配合的风电场功率波动平抑方法。分析了风电场日出力曲线与储能容量关系,对风电场历史实测风速数据进行统计,给出风电场合理的储能容量,以期为风电场储能系统容量的选取提供参考。根据某额定装机容量为100 MW的风电场实测风速数据对功率波动平抑过程进行仿真分析,验证了所提方法的可行性和有效性。     

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。     

考虑网内外功率特性的含风场电网日内发电需求滚动预测

由于自然风力、风向的不确定,大规模风场并网运行使得电网和风电调度的难度增大,在最大功率跟踪模式下,更加准确地预测发电出力是重要课题。考虑风场传统日前负荷预测时间尺度较大导致风场实时调度困难的实际,提出了一种在基于日内风场出力的发电需求滚动预测方法,以多级时间尺度为预测依据,建立了考虑风电接入的理想发电需求预测模型,提出了该模型下的滚动预测算法,并结合实际风场数据进行了实际预测,结果表明,提出的预测方法、模型和算法能明显提高发电需求预测精度,为大型风场的科学调度提供了决策依据,具有一定理论价值和工程应用价值。