為提高風(fēng)電輸出功率預(yù)測(cè)精度，提出一種基于rbf—bp組合神經(jīng)網(wǎng)絡(luò)模型的短期風(fēng)電功率預(yù)測(cè)方法。在考慮尾流等因素影響的基礎(chǔ)上，對(duì)風(fēng)速進(jìn)行預(yù)處理。根據(jù)相關(guān)歷史數(shù)據(jù)，建立rbf—bp組合神經(jīng)網(wǎng)絡(luò)短期風(fēng)電功率預(yù)測(cè)模型，對(duì)風(fēng)電輸出功率進(jìn)行預(yù)測(cè)。仿真分析結(jié)果表明，該預(yù)測(cè)方法能有效提高風(fēng)電輸出功率預(yù)測(cè)精度。

從風(fēng)電場(chǎng)的實(shí)際情況出發(fā),針對(duì)現(xiàn)有電力系統(tǒng)實(shí)時(shí)調(diào)度模式下大規(guī)模風(fēng)電場(chǎng)并網(wǎng)調(diào)度難題,提出基于超短期風(fēng)電功率預(yù)測(cè)的風(fēng)電場(chǎng)自動(dòng)發(fā)電控制(agc)方法。引入等耗量微增率理論,建立了含風(fēng)電場(chǎng)的電力系統(tǒng)發(fā)電出力分配的優(yōu)化模型,使風(fēng)電場(chǎng)作為等效的自動(dòng)發(fā)電控制機(jī)組融入現(xiàn)有電力系統(tǒng)調(diào)度控制框架,增強(qiáng)整個(gè)電力系統(tǒng)的運(yùn)行控制能力。算例結(jié)果驗(yàn)證了所提方法的可行性。

風(fēng)電功率預(yù)測(cè)系統(tǒng) 操作手冊(cè) 2011-09 中國(guó)電力科學(xué)研究院 i 目錄 1.登錄操作..................................................................................................................1 2.模塊應(yīng)用操作..........................................................................................................2 2.1實(shí)時(shí)狀態(tài)監(jiān)測(cè)模塊............................................................................................2 2.1.1地圖

目前，我國(guó)風(fēng)電已進(jìn)入較為快速的發(fā)展時(shí)期。而伴隨著風(fēng)電領(lǐng)域的發(fā)展，風(fēng)電輸出功率預(yù)測(cè)作為一個(gè)新的研究領(lǐng)域，越來(lái)越受人們的重視。風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)的設(shè)計(jì)，不僅提供了風(fēng)電運(yùn)行的調(diào)度技術(shù)，也有利于風(fēng)電調(diào)度安排系統(tǒng)進(jìn)行發(fā)電計(jì)劃的制定，大大降低了風(fēng)電運(yùn)行的備用容量及運(yùn)行的成本。與此同時(shí)，能夠確保電力系統(tǒng)的運(yùn)行安全穩(wěn)定，對(duì)整個(gè)電力市場(chǎng)的有效管理具有重大作用。

針對(duì)風(fēng)電場(chǎng)發(fā)電功率短時(shí)間預(yù)測(cè)問(wèn)題，根據(jù)風(fēng)能的“間歇性”和“隨機(jī)性”的特點(diǎn)，依據(jù)真實(shí)數(shù)據(jù)，以“時(shí)間序列分析”，“神經(jīng)網(wǎng)絡(luò)系統(tǒng)”，“小渡分析”等數(shù)學(xué)模型思想為基礎(chǔ)，分別建立了“時(shí)間序列分析模型（ar模型）”，“時(shí)間序列分析模型（arm模型）＋小波分析模型”與“神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型”對(duì)我國(guó)大唐赤峰東山風(fēng)電場(chǎng)風(fēng)電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)。最后，根據(jù)國(guó)家能源局頒布的相應(yīng)指標(biāo)對(duì)這三種模型進(jìn)行分析和評(píng)估。

為了改善風(fēng)電場(chǎng)出力特性,提出了一種新的電池儲(chǔ)能平抑風(fēng)電場(chǎng)出力短期波動(dòng)的運(yùn)行控制策略——超前控制策略。超前控制策略基于當(dāng)前的簡(jiǎn)單控制策略,考慮了未來(lái)的風(fēng)電出力波動(dòng)對(duì)儲(chǔ)能裝置的當(dāng)前充放電行為的影響,是一種具有前瞻性的方法。在超前控制策略中,引進(jìn)了風(fēng)電預(yù)測(cè)可信周期的概念,并通過(guò)滾動(dòng)優(yōu)化計(jì)算實(shí)現(xiàn)電池儲(chǔ)能的動(dòng)態(tài)控制。該方法可降低儲(chǔ)能電池的荷電狀態(tài)約束對(duì)其充放電行為的影響,可有效提高儲(chǔ)能電池的利用效率。利用該運(yùn)行控制策略對(duì)某大型風(fēng)電場(chǎng)與電池儲(chǔ)能聯(lián)合運(yùn)行系統(tǒng)的出力特性進(jìn)行了研究,結(jié)果證明了該策略的有效性。

針對(duì)風(fēng)電功率序列的不確定性和隨機(jī)性特征,提出基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解(eemd)和支持向量回歸機(jī)(svr)的風(fēng)電功率預(yù)測(cè)模型。同時(shí),為克服支持向量回歸機(jī)依賴人為經(jīng)驗(yàn)選擇學(xué)習(xí)參數(shù)的弊端,采用縱橫交叉算法(cso)優(yōu)化支持向量回歸機(jī)學(xué)習(xí)參數(shù)。首先,利用聚類經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)電功率序列分解為一系列復(fù)雜度差異明顯的子序列。然后,分別對(duì)每子序列單獨(dú)建立cso-svr預(yù)測(cè)模型。最后,疊加各子序列的預(yù)測(cè)值得到實(shí)際預(yù)測(cè)結(jié)果。實(shí)例研究表明,所提模型能獲得優(yōu)良的風(fēng)電功率預(yù)測(cè)結(jié)果。

準(zhǔn)確的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)可以有效地減輕風(fēng)電場(chǎng)對(duì)電力系統(tǒng)的不利影響,同時(shí)提高風(fēng)電在電力市場(chǎng)中的競(jìng)爭(zhēng)力?；跁r(shí)間序列法和支持向量機(jī)法,對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行研究,提出預(yù)測(cè)風(fēng)電功率的時(shí)序-支持向量機(jī)預(yù)測(cè)方法。該方法用時(shí)間序列法建模,選取影響風(fēng)電功率最大的參數(shù)作為支持向量機(jī)預(yù)測(cè)模型的輸入變量;為提高預(yù)測(cè)精度,提出基于時(shí)間點(diǎn)運(yùn)動(dòng)軌跡演化的方法選取與預(yù)測(cè)時(shí)刻功率相似的樣本作為模型的訓(xùn)練樣本。實(shí)例驗(yàn)證結(jié)果表明,該方法有效地提高了風(fēng)電功率預(yù)測(cè)精度。

介紹了風(fēng)電功率預(yù)測(cè)的背景，對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行了理論分析，分析了bp神經(jīng)網(wǎng)絡(luò)的原理及基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)流程和預(yù)測(cè)結(jié)果誤差的評(píng)價(jià)指標(biāo)。以matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱為仿真平臺(tái)，搭建bp神經(jīng)網(wǎng)絡(luò)，進(jìn)行了功率預(yù)測(cè)仿真，預(yù)測(cè)結(jié)果均方根誤差分別為6．97％、200．59％。兩組仿真對(duì)比結(jié)果表明，基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)在短期預(yù)測(cè)中是可行的．

針對(duì)風(fēng)電功率超短期預(yù)測(cè)精度不高的問(wèn)題,提出了一種結(jié)合theil不等系數(shù)與改進(jìn)誘導(dǎo)有序加權(quán)算子的組合預(yù)測(cè)方法.由于預(yù)測(cè)時(shí)刻的實(shí)際風(fēng)電功率值未知,因此無(wú)法直接利用該方法進(jìn)行預(yù)測(cè).文章利用各單項(xiàng)預(yù)測(cè)模型的前幾個(gè)時(shí)刻的預(yù)測(cè)精度均值作為預(yù)測(cè)時(shí)刻風(fēng)電功率的誘導(dǎo)值,對(duì)誘導(dǎo)有序加權(quán)算子進(jìn)行了改進(jìn),解決了預(yù)測(cè)時(shí)刻誘導(dǎo)值未知的問(wèn)題.采用誤差信息矩陣對(duì)單項(xiàng)模型進(jìn)行冗余度分析,得到優(yōu)選單項(xiàng)模型,然后建立基于theil不等系數(shù)和3種改進(jìn)誘導(dǎo)有序加權(quán)算子的組合預(yù)測(cè)模型.通過(guò)分析和實(shí)例驗(yàn)證表明,結(jié)合theil不等系數(shù)和誘導(dǎo)有序加權(quán)算數(shù)平均算子(iowa)的組合模型能有效地提高風(fēng)電功率預(yù)測(cè)精度.

本文應(yīng)用概率分布函數(shù)的方法對(duì)河南三門峽清源風(fēng)電場(chǎng)五臺(tái)機(jī)組的風(fēng)電功率波動(dòng)特性從時(shí)間和空間的角度進(jìn)行分析,對(duì)不同的時(shí)間尺度下以及單個(gè)和總體的數(shù)據(jù)進(jìn)行擬合,得出最佳的概率分布函數(shù),從其數(shù)值特征上來(lái)描述風(fēng)電功率的波動(dòng)性。

為了進(jìn)一步提高光伏發(fā)電功率的預(yù)測(cè)準(zhǔn)確度，該文首次將極端學(xué)習(xí)機(jī)方法（elm）和相似日方法結(jié)合并引入光伏發(fā)電功率短期預(yù)測(cè)領(lǐng)域。通過(guò)分析影響光伏發(fā)電功率的各個(gè)因素，分時(shí)段預(yù)測(cè)光伏發(fā)電功率。該方法在不同時(shí)間段中利用相似日評(píng)價(jià)函數(shù)選取歷史相似日，結(jié)合預(yù)測(cè)日的天氣因素，采用極端學(xué)習(xí)機(jī)對(duì)預(yù)測(cè)日對(duì)應(yīng)時(shí)段的發(fā)電功率進(jìn)行預(yù)測(cè)。通過(guò)對(duì)預(yù)測(cè)效果進(jìn)行比較和分析，結(jié)果表明該方法比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法有更好的預(yù)測(cè)效果。

詳細(xì)闡述了灰色模型的基本內(nèi)容和動(dòng)態(tài)灰色模型的實(shí)現(xiàn),并成功將其應(yīng)用于陜西省某路段軟土地基的沉降預(yù)測(cè)。實(shí)踐及理論證明,動(dòng)態(tài)灰色預(yù)測(cè)模型由于實(shí)時(shí)加入系統(tǒng)的最新數(shù)據(jù),提高灰區(qū)間的白度,預(yù)測(cè)精度比傳統(tǒng)灰色模型高,表明動(dòng)態(tài)灰色模型理論正確,精度合格,能夠滿足實(shí)際工程應(yīng)用。用matlab編制了動(dòng)態(tài)灰色模型預(yù)測(cè)程序,使應(yīng)用該模型進(jìn)行預(yù)測(cè)變得簡(jiǎn)便易行,大大節(jié)省了工作量。

工程項(xiàng)目在實(shí)施階段都在實(shí)際進(jìn)度與計(jì)劃進(jìn)度之間存在偏差,為了更加準(zhǔn)確的確定出具體工序的工期,結(jié)合施工企業(yè)的統(tǒng)計(jì)資料,提出采用基于灰色理論的gm(1,1)模型形成工期預(yù)測(cè)的方法,從而為科學(xué)合理的編制進(jìn)度計(jì)劃提供有效依據(jù)。

針對(duì)當(dāng)前電力數(shù)據(jù)網(wǎng)風(fēng)險(xiǎn)預(yù)警模型無(wú)法有效預(yù)測(cè)網(wǎng)絡(luò)風(fēng)險(xiǎn)的現(xiàn)狀,提出一種基于熵權(quán)-灰色模型的電力數(shù)據(jù)網(wǎng)風(fēng)險(xiǎn)預(yù)測(cè)機(jī)制,重點(diǎn)解決網(wǎng)絡(luò)整體風(fēng)險(xiǎn)的預(yù)測(cè)問(wèn)題.首先利用灰色模型對(duì)電力數(shù)據(jù)網(wǎng)的風(fēng)險(xiǎn)指標(biāo)進(jìn)行預(yù)測(cè),確定單項(xiàng)風(fēng)險(xiǎn)指標(biāo)值;然后采用熵權(quán)法得出每一項(xiàng)指標(biāo)的動(dòng)態(tài)權(quán)重;最后根據(jù)風(fēng)險(xiǎn)指標(biāo)值和權(quán)重得出網(wǎng)絡(luò)整體的預(yù)測(cè)風(fēng)險(xiǎn)值.仿真驗(yàn)證結(jié)果表明,該模型可保證動(dòng)態(tài)網(wǎng)絡(luò)下實(shí)時(shí)預(yù)測(cè)的準(zhǔn)確度.

討論了灰色模型gm(1,1)及其改進(jìn)模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用,提出了適合電網(wǎng)普通日及特殊日電力負(fù)荷預(yù)測(cè)的數(shù)據(jù)處理方法,提高了預(yù)測(cè)的精度。

討論了灰色模型gm（1，1）及其改進(jìn)模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用，提出了適合電網(wǎng)普通日及特殊日電力負(fù)荷預(yù)測(cè)的數(shù)據(jù)處理方法，提高了預(yù)測(cè)的精度。

提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測(cè)方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對(duì)每個(gè)歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進(jìn)行負(fù)荷預(yù)測(cè);采用最小二乘支持向量機(jī)回歸算法對(duì)不同灰色模型的預(yù)測(cè)結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測(cè)值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡(jiǎn)單、運(yùn)算方便等優(yōu)勢(shì)的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測(cè)精度。仿真結(jié)果驗(yàn)證了所提出組合方法的有效性和實(shí)用性。

風(fēng)電功率具有隨機(jī)性與波動(dòng)性,為減小風(fēng)電功率波動(dòng)對(duì)電網(wǎng)帶來(lái)的不利影響、減小風(fēng)電功率分鐘級(jí)的波動(dòng)量,采取一階低通濾波器并利用電池儲(chǔ)能系統(tǒng)對(duì)風(fēng)電功率進(jìn)行平滑控制。根據(jù)風(fēng)電功率的平滑效果,選取合適的平滑時(shí)間常數(shù),分析儲(chǔ)能容量與平滑時(shí)間常數(shù)之間的關(guān)系,并根據(jù)單位儲(chǔ)能平滑率選取合適的儲(chǔ)能平滑時(shí)間常數(shù),可為風(fēng)電場(chǎng)通過(guò)配置儲(chǔ)能系統(tǒng)平滑風(fēng)電功率提供參考。

灰色系統(tǒng)是部分信息已知、部分信息未知的系統(tǒng)?；疑到y(tǒng)把一般系統(tǒng)理論、信息控制的觀點(diǎn)和方法延伸到社會(huì)、經(jīng)濟(jì)等廣義系統(tǒng)，灰色系統(tǒng)理論能更準(zhǔn)確地描述社會(huì)經(jīng)濟(jì)系統(tǒng)的狀態(tài)和行為。研究基于灰色系統(tǒng)理論的灰色預(yù)測(cè)模型，對(duì)社會(huì)經(jīng)濟(jì)系統(tǒng)預(yù)測(cè)具有重要的意義。由于用電負(fù)荷增長(zhǎng)情況受經(jīng)濟(jì)發(fā)展、產(chǎn)業(yè)機(jī)構(gòu)、氣候、居民收入水平等諸多因素的影響，其中有一些因素是確定的；而另外一些因素是不確定的，故可以把它看作一個(gè)灰色系統(tǒng)。

由于風(fēng)能具有隨機(jī)性和間歇性的特點(diǎn),造成了其功率輸出的不穩(wěn)定,而大規(guī)模的風(fēng)電接入給電力系統(tǒng)的正常穩(wěn)定運(yùn)行和調(diào)度帶來(lái)影響。詳細(xì)分析影響風(fēng)電場(chǎng)輸出的因素,確定風(fēng)速、風(fēng)向正弦和余弦為影響風(fēng)電輸出最主要的關(guān)聯(lián)因素,采用統(tǒng)計(jì)預(yù)測(cè)方法將歷史實(shí)際輸出功率、風(fēng)速、風(fēng)向正弦和余弦作為bp神經(jīng)網(wǎng)絡(luò)的輸入矢量,并采用人工蜂群算法優(yōu)化得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建abc-bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型。通過(guò)對(duì)某實(shí)測(cè)風(fēng)電功率進(jìn)行預(yù)測(cè)驗(yàn)證,結(jié)果表明:基于蜂群算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè),可以克服bp神經(jīng)網(wǎng)絡(luò)易于陷入局部極小的缺陷和不足,極大地提高了全局搜索能力以及預(yù)測(cè)的穩(wěn)定性和精度；同時(shí),將自適應(yīng)的選擇策略引入到蜂群算法優(yōu)化適應(yīng)度的選擇中,減少了網(wǎng)絡(luò)層參數(shù)的訓(xùn)練時(shí)間,提高了收斂速度。

方法的選擇對(duì)電力負(fù)荷預(yù)測(cè)結(jié)果至關(guān)重要,本文通過(guò)對(duì)x(1)(1)增加干擾因素β,實(shí)現(xiàn)對(duì)初始值的優(yōu)化,較已有研究文獻(xiàn)使用x(1)(n)+β方法更加便于理解,保持運(yùn)算前后一致,同時(shí),改進(jìn)背景值的設(shè)置。通過(guò)實(shí)例驗(yàn)證,此方法可以在負(fù)荷預(yù)測(cè)上得到很好的應(yīng)用,提高預(yù)測(cè)精度。