随着国家“双碳”目标的持续推进,风力发电装机占比持续增高,强随机波动的大规模风电出力给电力系统的“保消纳、保供电”带来严峻挑战,高精度的风电功率预测是解决上述挑战的重要基础手段,风电场和电网调度中心均将持续提升风电功率预...随着国家“双碳”目标的持续推进,风力发电装机占比持续增高,强随机波动的大规模风电出力给电力系统的“保消纳、保供电”带来严峻挑战,高精度的风电功率预测是解决上述挑战的重要基础手段,风电场和电网调度中心均将持续提升风电功率预测精度视为长期重点工作。为此,提出一种基于短期风电功率预测误差分布特性统计与波动特性分析的风电功率预测修正方法。首先,考虑误差时序-条件特点对误差进行基于改进非参数核密度估计法(kernel density estimation,KDE)的误差概率密度分布特性分析,得出不同置信水平下的风电功率预测置信区间,以实现预测误差的分层划分。其次,采用变分模态分解算法(variational mode decomposition,VMD)将风电功率预测误差序列分解为趋势分量和随机分量,针对2类误差分量特点展开分类预测,并对最终所得误差结果进行波动性分析。最后,结合误差分层划分结果与误差波动特性分析进行综合判断,提出针对各类情况的误差补偿方案,从而获得修正后的短期风电功率预测值。实际算例表明,所提误差补偿方法可将风电功率月均方根误差较补偿前减少2.6个百分点,平均绝对误差较补偿前减少2.4个百分点,该方法能够有效减小风电功率预测误差,提升短期风电功率预测精度。展开更多
针对最小二乘支持向量回归(Least Square Support Vector Regression,LSSVR)建模风电功率时变特性的局限性,提出了一种基于动态集成LSSVR的超短期风电功率预测模型.首先利用风电场监测控制与数据采集(Supervisory Control And Data Acqu...针对最小二乘支持向量回归(Least Square Support Vector Regression,LSSVR)建模风电功率时变特性的局限性,提出了一种基于动态集成LSSVR的超短期风电功率预测模型.首先利用风电场监测控制与数据采集(Supervisory Control And Data Acquisition,SCADA)与数值天气预报(Numerical Weather Prediction,NWP)系统的历史数据建立离线单体LSSVR模型库,然后根据预测时段与训练时段NWP序列的相似度从单体LSSVR模型库中动态选择候选集成成员,再后综合考虑正确性与多样性确定集成成员.最后由预测时段与训练时段NWP序列间的相似度分配集成LSSVR成员的权重.通过对湖南省某风电场输出功率进行预测,验证了动态集成LSSVR预测模型的有效性,与持续法、自回归求和移动平均法、单体LSSVR模型、常权重LSSVR组合模型及BPNN动态集成模型相比,动态集成LSSVR模型具有更高的精度,在天气非平稳变化阶段更加明显.展开更多
文摘随着国家“双碳”目标的持续推进,风力发电装机占比持续增高,强随机波动的大规模风电出力给电力系统的“保消纳、保供电”带来严峻挑战,高精度的风电功率预测是解决上述挑战的重要基础手段,风电场和电网调度中心均将持续提升风电功率预测精度视为长期重点工作。为此,提出一种基于短期风电功率预测误差分布特性统计与波动特性分析的风电功率预测修正方法。首先,考虑误差时序-条件特点对误差进行基于改进非参数核密度估计法(kernel density estimation,KDE)的误差概率密度分布特性分析,得出不同置信水平下的风电功率预测置信区间,以实现预测误差的分层划分。其次,采用变分模态分解算法(variational mode decomposition,VMD)将风电功率预测误差序列分解为趋势分量和随机分量,针对2类误差分量特点展开分类预测,并对最终所得误差结果进行波动性分析。最后,结合误差分层划分结果与误差波动特性分析进行综合判断,提出针对各类情况的误差补偿方案,从而获得修正后的短期风电功率预测值。实际算例表明,所提误差补偿方法可将风电功率月均方根误差较补偿前减少2.6个百分点,平均绝对误差较补偿前减少2.4个百分点,该方法能够有效减小风电功率预测误差,提升短期风电功率预测精度。
基金国家自然科学基金资助项目(6147212861173108)+1 种基金National Natural Science Foundation of China(6147212861173108)
文摘针对最小二乘支持向量回归(Least Square Support Vector Regression,LSSVR)建模风电功率时变特性的局限性,提出了一种基于动态集成LSSVR的超短期风电功率预测模型.首先利用风电场监测控制与数据采集(Supervisory Control And Data Acquisition,SCADA)与数值天气预报(Numerical Weather Prediction,NWP)系统的历史数据建立离线单体LSSVR模型库,然后根据预测时段与训练时段NWP序列的相似度从单体LSSVR模型库中动态选择候选集成成员,再后综合考虑正确性与多样性确定集成成员.最后由预测时段与训练时段NWP序列间的相似度分配集成LSSVR成员的权重.通过对湖南省某风电场输出功率进行预测,验证了动态集成LSSVR预测模型的有效性,与持续法、自回归求和移动平均法、单体LSSVR模型、常权重LSSVR组合模型及BPNN动态集成模型相比,动态集成LSSVR模型具有更高的精度,在天气非平稳变化阶段更加明显.
