当前位置首页 > 信息公告

基于功率波动过程的风电功率短期预测及偏差修正.PDF8页

更新时间:2023-09-12 文章作者:佚名 信息来源:网络整理 阅读次数:

第卷第期年月日,.42No..2018:/DOI10.基于功率波动过程的风电功率短期预测及偏差修正,,,,,丁明张超王勃毕锐缪乐颖车建峰((),;1.广东省新能源借助与节能重点实验室西安工业学院河北省石家庄市(),)2.新能源与储能运行控制国家重点实验室中国电力科学研究院有限公司上海市:、。摘要风资源因具有较强的波动性随机性与间断性等特征而造成风电功率预测精度不高为减,,小风电功率波动对电网的冲击提升电力系统对风电的接受与消纳能力提出了改进的风电功率短。短期风电功率预测,期预测方式与基于波动的偏差修正方式首先将风电功率按不同波动过程进行降维界定提取不;()同波动的特点曲线对功率值进行修正采用引力搜索算法优化的反向传播神经网路GSA-BP作;,为基本预测方式进行预测剖析不同波动过程下的预测偏差表现构建预测偏差与综合气象指标的。,映射关系针对不同波动过程构建相应的风电功率偏差修正模型提出了线性模型和GSA-BP非,线性模型相结合的方法对预测偏差进行修正最后以功率预测值叠加预测偏差修正值作为最终预。2by物理好资源网(原物理ok网)

,测结果该风电功率预测偏差修正方式除了涉及风速风向等常规诱因并且考虑到了风电功率的波动性。:;;;;关键词风电功率预测波动特点神经网路引力搜索偏差修正,。0序言性依据序贯抽样模拟生成风电出力时间序列文[],献以高斯核函数的小波分解提取波动成份采用7、为解决具有波动性随机性与间歇性的大规模非参数核密度恐怕方式构建波动份量的机率密度模,风电并网与消纳对风电场出力的精准预测是非常,型但是建立了一个基于拟合优度的带宽优化模型[]1-2必要的。,。作为约束条件提升了功率波动建模的适用性文国内外学者对风电功率的预测早已提出多种方[]献通过构建云模型数据库找到与待预测时间段8短期风电功率预测,法主要分为统计方式和考虑气象预报因子的智能,[]相像的历史数据作为训练样本进行预测有效减少3-4算法。基于波动过程的风电功率预测方式是这了随机风波动等复杂天气诱因对预测结果的影响。,两种方式的有机结合既考虑到每位功率点与相关[]文献采用一种基于信息熵和互信息的熵相关系9,预报因子之间的联系又对不同波动过程的预测结,数指标克服了因为风电功率的随机波动性导致的,。2by物理好资源网(原物理ok网)

功率预测短期与超短期_短期功率预测多长时间_短期风电功率预测2by物理好资源网(原物理ok网)

果进行统计剖析找出其中的内在规律,数据之间相关性较弱的问题找出了足够多的有效,因为风是大气化学过程符合相应的化学规律,()样本并设计了一种反向传播BP神经网路改进模,、和特点风电功率特点是风电场的风资源禀赋地形,、。型填补了训练数据冗余度大收敛速率慢等缺陷、。地貌风机特点和布局等诱因的综合彰显基于风,相对于预测算法的研究人们对预测偏差机理资源波动过程的风电功率预测方式正是通过描画风。和修正的研究略显不足目前风电功率的预测偏差资源波动过程与风电功率波动过程间的匹配关系的、来始于气象预报数据偏差间接预测方式的内在误。[],一种预测方式文献整理了多个风电场数据然5、、差风电功率曲线的拟合偏差地形地貌等多种局地,后基于风电出力的波动特点和机率分布特点借助,诱因影响对基于波动理论的偏差剖析和修正策略。[]法生成风电功率时间序列文献基于风p。[],更为鲜见文献10引入参数方式和非参数方式,电波动过程特点借助统计方式剖析波动间的关联,拟合风电预测偏差机率分布通过比较不同拟合方,法的拟合精度提出了基于Coula理论的超短期风p收稿日期:2018-03-22;修回日期:2018-09-18。2by物理好资源网(原物理ok网)

电预测偏差的高维模型和不同时间段预测偏差的概上网日期:2018-00-00。。[]“率分布文献11强调风电预测偏差与风电功率爬国家电网公司科技项目基于广域时空大数据剖析的风电功”;,率预测方式研究与应用可再生能源与工业节能山东省工坡风波之间有显著关联提出一种爬坡风波辨识方程实验室开放捐助项目(/)。452,。法剖析比较不同坡道斜坡风波对预测偏差的影响://,()·()·201842高比列可再生能源电力系统五文献[]提出了一种预测偏差修正模型对传统波动过程辨识12BP1.2,神经网路风电功率预测模型进行改进并以偏差预可借助降维方式将功率波动序列界定为上述4,。测值叠加功率预测值作为最终预测结果可以较好种不同类别的波动过程本文采用的降维算法为自[]地提高预测精度。组织映射15(,)神经网self-SOMgp,,,本文提出了改进传统的风电功率预测方式和基络SOM由输入层和映射层组成一般情况下映射,,于功率波动过程的偏差修正方式重点讨论了以上层以二维阵列表示每位输入节点联接到映射层的:、,,问题风电功率波动过程的定义及描述波动界定与对应权重随机分配通过竞争性学习SOM可以将、、,降维算法风电功率异常数据处理BP神经网路的类似的个体归类到一组SOM算法中数据点距离的、。2by物理好资源网(原物理ok网)

:参数优化预测偏差剖析与修正论文给出方式的物理表达式为k、,思路原理和算法实现过程并用实际算例验证了方2(()())()rxtwt3=-iij∑j法的合理智。i1=:;式中为输入向量中的第个值为输入节点xiiwi1风电功率波动过程的描画及剖析j,i和映射节点之间的联接残差该残差可以通过j()风电功率波动过程的描画式进行修正1.14因为风电功率序列中会包含由大量的高频随机()()()(()())Δw=wt+1-wt=txt-wtiiiiijjjηj,()扰动所形成的随机出力这部份高频份量具有不可4,,式中:()为训练率。预测性因而须要对原始功率序列进行混频将该高ηt,在估算过程中通过反复进行距离估算和残差修频部份滤除把能反映风电功率趋势变化的低频分。,。量分离下来进行波动过程界定和预测本文采用小正直到达到分类精度要求[]13,波基为“”的尺度函数对原始数据进行尺度在降维界定中SOM的输入是由各波动过程的db94。,()。混频混频前后风电功率序列对诸如附表图三个特点参数构成的特点向量如式所示AA15,,[]()所示从图中可以发觉混频后原序列中的高频随机V=TDT5SvL。2by物理好资源网(原物理ok网)

:,份量被滤除式中TS为上升时间指从峰值10%上升到90%所,,;在获得混频后的功率曲线基础上将风电功率用的时间它反映了功率的上升速率Dv为波峰值。;,曲线界定为多个波动过程本文根据风电功率的持Pmax与极小值Pmin之差TL为波动的持续时间即、:起止点和间的时间宽度。续时间极值尺度参数定义风电功率波动过程每一PP1n,个波动过程都是由与其相对应的局部极小值下降到将风电功率序列归一化低出力波动的风电功,。,极大值再衰减到该波动的另一个局部极小值根率持续在很低水平或根本无出力可通过设置阀值、。、、据波动过程的时间尺度极值参数可将风电功率曲ε来进行辨识大中小波动可通过输入特点向量、、,、、、线界定为大波动中波动小波动和低出力波动四辨识大中小波动的持续时间TL极值差Dv及[]14,:,类对一个波动过程的物理描述如下上升时间依次递减可根据不同风场实际情况TS,{},。给定一个典型的界定和降维结果如图所示PP∈P1ì1nminïï,(,)ïPP∈0T1n{}WP=íjk(,]P∈TP12by物理好资源网(原物理ok网)

发表评论

统计代码放这里