基于风电场功率预测的数据价值研究

风电系统的运行伴随着海量数据的生成,是数据应用的重要场景。风电系统的输出受天气等因素影响,波动较大,因此风电输出的预测对于电力系统平衡、经济调度意义重大。为了探索风电系统中的数据价值,本文基于风电场的发电功率数据建立了小时级的多输入—多输出日前预测模型。进一步,本文对数据—模型—经济收益的链路进行梳理,结合合作博弈中的沙普利值思想,对模型中的数据点和特征进行价值评估。本文通过算例分析探索高价值数据的特点,结果表明筛选高价值数据能够实现风电系统降本增效,在此基础上为风电系统中数据的管理与共享提出了相应的建议。     

基于局部多项式非参数回归的风电场功率区间预测方法

准确地预测风电场功率有利于减小风电出力波动对电网运行的影响,同时可以为后期的风能消纳问题提供准确信息,然而传统预测方法多为确定性预测,且结果大多有不同程度的误差。本文提出了一种基于误差分布特性统计分析的非参数置信区间估计方法,首先采用LS-SVM算法,建立风速与风电功率之间的转换模型,得到风电功率确定性预测值,在确定性预测基础上得到误差集合,通过对风电功率预测误差分布特性的研究,采用局部多项式回归方法得到给定置信度对应的误差预测值,通过风电功率确定性预测值和误差预测值叠加得到对应的区间上、下限,继而得出满足一定置信水平的风电功率区间预测。仿真结果表明所提出的区间预测在一定置信水平下有较高的预测精度,同时得到的较窄的预测区间,验证了该方法的实用性与有效性。     

基于聚类分析和神经网络的风电场日前功率预测研究

随着我国风电装机容量的逐步增加,风电在电源结构中的比例也进一步增大。风电出力本身具有随机性、波动性,这使得风电出力预测工作难度增加。首先使用模糊C均值聚类分析方法将风场运行历史风速信息进行分级聚类,然后使用聚类的数据训练相应的BP神经网络;再将数值天气预报(NWP)提供的待预测日的气象信息进行分级聚类,根据数据的聚类中心将待预测日气象信息与历史气象信息进行归类;最后将同一类风速数据结合相应的BP神经网络进行预测。算例分析证明了此方法的有效性。     

基于粒子群优化算法的并网风电场穿透功率极限研究

本文建立了基于机会约束规划思想的风电穿透功率极限求解模型,并应用粒子群算法求解该模型,以IEEE3机9节点测试系统为例,得出系统的网络结构是影响风电穿透功率极限的一个重要因素,不同节点接纳风电能力不同,并评估了算法在仿真计算风电穿透功率极限问题方面的可行性。     

计及风功率波动的负荷频率广域预测控制研究

以广域相量测量系统(Wide Area Measurement System,WAMS)为技术平台,建立基于模型预测控制的含规模化风电场/群互联电网的负荷频率分散预测控制模型。以典型双区域负荷频率控制模型为例,考虑了不同风电渗透率情况,基于模型预测控制的负荷频率分散控制模型,不仅能够有效的跟踪风电输出功率的随机波动,维持系统频率及区域间交换功率在较小的范围内变化,且控制效果明显优于常规PI型负荷频率控制器     

基于BESS的平抑风功率波动控制策略研究

风能作为一种清洁能源,近几年在国内外均得到广泛应用,但由于其具有波动性和随机性,很难被电网所接受。为了提高电力系统对风电的接纳能力,减少弃风现象,本文在综合考虑储能系统的最大充放电功率的基础上,进一步考虑储能系统带电状态对系统的影响,提出了相应的控制策略,并在此基础上结合调度指令来平抑风电功率波动,最终采用Matlab仿真软件进行程序编译。由仿真结果可以看出,本文所提出的控制策略具有一定的可行性     

空中交通流量长期预测方法研究

改革开放以后,我国的经济得到了快速的发展,以此同时,民航事业也得到了繁荣,使得空中交通流量大幅度的增加,并处于持续的增长当中,为了保证航空的正常运行,就需要对空中交通流量进行有效地管理。在空中交通流量管理中,空中交通流量的长期预测工作非常重要,是空管各个部门进行正确决策的依据,由此,本文针对空中交通流量长期预测方法进行了研究,以便于为空中交通流量管理提供保障。     

探析基于物理方法的风电功率预测系统在贺兰山风电场的应用

本文从影响风电机组功率预测因素分析入手,结合贺兰山风电场独特的地形阐述了物理方法的风电功率预测系统在贺兰山风电场的应用,结果表明短期风电功率预测系统比较适合于贺兰山风电场,并具有实际指导意义。     

地区电力长期负荷预测方法研究

负荷预测对电力系统规划和运行极其重要,本文论述了电力负荷预测与分类、负荷预测的基本过程。同时本文采用外推预测技术、单耗法和新兴交叉学科人工免疫预测法对阜新地区电力负荷进行长期的预测,并对实际预测结果进行了分析、比较。得出结论:这三种方法都适合于对地区电力负荷进行长期的预测,取三种方法预测的中间值可以得到相对精确的预测结果。     

基于大数据分析的风电场建设评估方法

我国幅员辽阔,在东北、西北、华北地区都有较为丰富的风能资源。评估一个地区风能资源状况的主要指标是风功率密度。通过对当地风功率密度的大数据分析,可以为风电场建设提供有效的理论依据和数据支撑。     

分布式风光功率预测方法的研究与验证

本文总结归纳了国内外风电光伏功率预测发展现状、预测方法和分类,通过算例对比验证了三种典型功率预测模型-利用ARMA模型、卡尔曼滤波模型和小波神经网络模型分别对某一分布式风光发电区域进行了功率预测。通过对预测结果各项评价指标的综合分析,发现：小波神经网络预测模型的精确度最高,实现了针对小范围分布式光伏、风电的短期和超短期的精确预测。实验运行结果表明：该系统能够较为准确的预测短期和未来4小时超短期的风光发电整体出力,超短期和短期预测的月平均均方根误差达到为7%和9%。满足电网实际运行需要,在分布式发电项目上具备一定的推广和应用价值。     

基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测方法

本文对霍尔辛赫矿安全监测系统的瓦斯浓度时间序列利用软阈值小波去噪法进行去噪;分析支持向量机不敏感损失参数ε和RBF核函数参数。基于粒子群算法对支持向量机瓦斯浓度模型进行优化,结合最优参数对进行ε-SVR模型预测,对预测误差进行分析,并将训练样本的大小对预测精度的影响做出了比较。     

基于粒子群算法的MFC最大功率跟踪技术

微生物燃料电池(MFC)因其特有的废水发电能力而得到越来越多的关注。为了提高其发电效率,最大功率点跟踪(MPPT)控制成为必要。针对传统MPPT算法中存在跟踪精度较低的问题,提出了采用粒子群(PSO)优化算法来进行微生物燃料电池的最大功率跟踪,在Matlab/Simulink中验证了此方法可以极大地减小在最大功率点附近的稳态振荡。     

基于GA-BP神经网络的光伏发电功率预测研究

本文分析阐述了BP神经网络算法、GA遗传算法的相关理论知识,并在此基础上,针对GA-BP相结合的算法在光伏发电功率预测方面的应用进行了研究,包括对影响辐照量的因素进行了分析和基于GA-BP的光伏发电模型预测,最后对预测结果进行了分析。     

基于粒子群优化SVR的用电量预测

针对用电量数据非线性的特点提出一种基于粒子群优化的PSO-CV-SVR模型。该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数。将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度。     

基于小波-回归支持向量机算法的风电场风速预测

将小波多分辨率分析特点和回归支持向量机算法良好的泛化性能相结合,建立小波-回归支持向量机风速预测模型。先将原始风速序列经小波分解成轮廓分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

基于EEMD与ARMA的短期风功率预测研究

风能作为一种清洁能源是所有可再生能源中最有前途和发展的技术,得到世界各国的高度重视。如果能对风电输出功率进行比较系统且准确的预测,将会为电网调度部门制定日运行方式和制定合理调度计划提供参考,进而减弱风电对电网的不利影响,减少旋转备用、提高电力系统的可靠性。因此找出一个有效相对准确的预测方法可以有效的解决上述问题。本文提出基于EMD-ARMA和EEMD-ARMA的风功率预测方法,采用风场实际功率数据进行分析,验证所提方法的有效性。     

基于因子分析方法的PPI波动率研究

随着世界贸易程度的不断深入,应该采用更加开放的视角研究价格波动问题,尤其是与可贸易的工业品价格相关的生产者价格指数（PPI）。本文利用相关分析及因子分析方法,对当今世界主要的17个制造业国家的工业品出厂价格指数波动情况做了进一步的研究,挖掘出这些国家在这一价格指数波动行为表现上的共同因素和主要差异。