留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于风场景识别的动态风电功率概率预测方法

阎 洁 刘永前 张 浩 张慧玲 冯双磊

阎 洁, 刘永前, 张 浩, 张慧玲, 冯双磊. 基于风场景识别的动态风电功率概率预测方法[J]. 现代电力, 2016, 33(2): 51-58.
引用本文: 阎 洁, 刘永前, 张 浩, 张慧玲, 冯双磊. 基于风场景识别的动态风电功率概率预测方法[J]. 现代电力, 2016, 33(2): 51-58.
YAN Jie, LIU Yongqian, ZHANG Hao, ZHANG Huiling, FENG Shuanglei. Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario Recognition[J]. Modern Electric Power, 2016, 33(2): 51-58.
Citation: YAN Jie, LIU Yongqian, ZHANG Hao, ZHANG Huiling, FENG Shuanglei. Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario Recognition[J]. Modern Electric Power, 2016, 33(2): 51-58.

基于风场景识别的动态风电功率概率预测方法

基金项目: 国家自然科学基金(51206051);国家电网公司科技项目
详细信息
    作者简介:

    阎 洁(1987-),女,博士研究生,风电场功率预测及不确定性分析、含有风电的电力系统优化运行等, E mail:yanjie_freda@163.com;刘永前(1965-),男,教授,博士生导师,研究方向为风电场设计与运营技术等,E mail:yqliu@ncepu.edu.cn。

  • 中图分类号: TM614

Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario Recognition

  • 摘要: 传统风电功率预测是确定的、静态的、非条件性的,无法代表不同外部状态的发电过程,缺失预测误差的概率性信息。针对上述问题,提出了一种动态的基于风场景识别的风电功率概率预测方法。首先建立基于K means的风场景识别模型,根据风速和风向识别自然风特征,据此划分风电场风况类别。然后针对各风况类别建立基于相关向量机的概率预测模型。在实际预测中,根据实时风况动态调整概率预测模型参数。以中国西北某风电场为例进行验证,结果表明,该方法提高了单点预测精度、概率预测可靠性和技术分数、运行效率,为预测细化建模提供新的解决思路。
  • [1] 2014年中国风电装机容量统计.中国风能协会.
    [2] 刘永前,韩爽,胡永生. 风电场出力短期预报研究综述[J]. 现代电力, 2007(5):611.
    [3] 牛东晓,范磊磊. 风电功率预测方法综述及发展研究[J]. 现代电力, 2013(4): 2428.
    [4] Mabel M C,Fernandez E. Analysis of wind power generation and prediction using ANN: a case study [J]. Renewable Energy, 2008, 33(5): 986992.
    [5] Cadenas E, Rivera W. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks [J]. Renewable Energy, 2009, 34 (1): 274278.
    [6] Tu Y L, Chang T J,Chen C L, et al. Estimation of monthly wind power outputs of WECS with limited record period using articial neural networks [J]. Energy Conversion and Management, 2012, 59: 114121.
    [7] Rasit Ata. Arti cial neural networks applications in wind energy systems: a review [J]. Renewable and Sustainable Energy Reviews, 2015, 49: 534562.
    [8] Bremnes J B. Probabilistic wind power forecasts using local quantile regression [J]. Wind Energy, 2004, 7(1): 4754.
    [9] 阎洁,刘永前,韩爽. 基于分位数回归方法的风电功率预测不确定性分析[J]. 太阳能学报, 2013, 34(12): 21012107.
    [10] Haque A U, Nehrir M H, Mandal P. A Hybrid Intelligent Model for Deterministic and Quantile Regression Approach for Probabilistic Wind Power Forecasting [J]. IEEE Transactions on Power Systems, 2014, 29(4): 16631672.
    [11] Bessa R, Miranda V, Botterud A, et al. Time Adaptive Conditional Kernel Density Estimation for Wind Power Forecasting [J]. IEEE Transactions on Sustainable Energy, 2012, 3(4): 660669.
    [12] Taylora J W, Jeonb J. Forecasting wind power quantiles using conditional kernel estimation [J]. Renewable Energy, Aug. 2015, 80: 370379.
    [13] Wang J, Botterud A,Bessa R, et al. Wind power forecasting uncertainty and unit commitment [J]. Applied Energy, 2011, 88(11): 40144023.
    [14] Aghaei J, Niknam T, Azizipanah Abarghooee R, et al. Scenario based dynamic economic emission dispatch considering load and wind power uncertainties [J]. International Journal of Electrical Power & Energy Systems, May, 2013, 47: 351367.
    [15] Kanungo T, Mount D M, Netanyahu N S, et al. An efficient K means clustering algorithm: analysis and
    implementation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24: 881892.
    [16] Wagstaff K, Cardie C,Rogers S, et al. Constrained K means clustering with background knowledge [C]. Proceedings of the 18th International Conference on Machine Learning, 2001: 577584.
    [17] 周世兵,徐振源,唐旭清. K means 算法最佳聚类数确定方法[J].计算机应用, 2010, 30(8): 19951998.
    [18] Tipping M E. Sparse Bayesian Learning and the Relevance Vector Machine[J]. Journal of Machine Learning Research, 2001(1):211244.
    [19] Yan J, Liu Y Q, Han S, et al. Wind power grouping forecasts and its uncertainty analysis using optimized relevance vector machine [J]. Renewable & Sustainable Energy Reviews, 2013, 27: 613621.
    [20] Shuafiu A, Anaya Lara O, Bathurst G. Aggregated wind turbine models for power system dynamic studies [J]. Wind Engineering, 2006, 30(3):171185.
    [21] Pinson P, Nielsen Haa, M ller J K, et al. Nonparametric probabilistic forecasts of wind power: required properties and evaluation [J]. Wind Energy, 2007, 10: 497516.
  • [1] 张祥龙, 刘燕华, 张东英.  基于相关性分析的风电场功率限值分配算法 . 现代电力, 2018, 35(1): 1-5.
    [2] 孙元存, 刘三明, 王致杰, 刘剑, 曹天行.  基于IGWO-K-means的风电场动态等值建模 . 现代电力, 2018, 35(5): 49-55.
    [3] 高小力, 张智博, 田启明, 刘永前.  基于HS-Clustering的风电场机组分组功率预测 . 现代电力, 2017, 34(3): 12-18.
    [4] 常超, 史阳.  基于超级电容储能的直流风电机组协调控制 . 现代电力, 2017, 34(6): 65-70.
    [5] 黎静华, 桑川川, 甘一夫, 潘毅.  风电功率预测技术研究综述 . 现代电力, 2017, 34(3): 1-11.
    [6] 杨家然, 王兴成, 蒋 程, 罗晓芬.  一种新型确定性风电功率预测模型及其概率性评估 . 现代电力, 2016, 33(5): 80-86.
    [7] 陈鹏伟, 肖湘宁, 杨 洋, 李 璐.  含STATCOM的双馈风电场无功协调补偿策略 . 现代电力, 2016, 33(1): 8-13.
    [8] 邱轩宇, 余 涛, 王国平, 傅森木, 刘前进.  基于控制变量法的含风电场发电系统可靠性评估 . 现代电力, 2016, 33(2): 84-88.
    [9] 吴 琴, 钟 庆, 王 钢, 李海锋.  基于模糊C均值聚类的风电场多机等值方法 . 现代电力, 2016, 33(6): 27-32.
    [10] 阎洁, 刘永前, 韩爽, 王一妹, 张晋华, 朱戎.  考虑流动相关性的风电场机组分组功率预测方法 . 现代电力, 2015, 32(1): 25-30.
    [11] 葛江北, 周明, 李庚银.  DFIG型风电场连锁脱网及改善措施分析 . 现代电力, 2015, 32(2): 89-94.
    [12] 程世军, 张粒子, 李丰, 王晓晖.  风电场储能系统的模糊自适应控制策略 . 现代电力, 2014, 31(2): 11-14.
    [13] 李卓男, 艾欣, 方杰, 潘伟.  基于损耗分配方法的风电场等值建模 . 现代电力, 2014, 31(4): 1-6.
    [14] 刘永前, 王一妹, 韩爽, 李莉.  基于CFD流场预计算的风电功率预测误差分布研究 . 现代电力, 2014, 31(5): 64-69.
    [15] 林俐, 赵会龙, 陈迎, 李丹.  风电场建模研究综述 . 现代电力, 2014, 31(2): 1-10.
    [16] 刘永前, 朴金姬, 韩 爽.  风电场输出功率预测中两种神经网络算法的研究 . 现代电力, 2011, 28(2): 49-52.
    [17] 刘庆超, 范 炜, 张 伟.  基于灰色预测变化风速下的风电场经济评价 . 现代电力, 2010, 27(2): 91-94.
    [18] 任博强, 蒋传文, 彭鸣鸿, 栾士岩, 林海涛, 靳 希.  基于改进遗传算法的含风电场的电力系统短期经济调度及其风险管理 . 现代电力, 2010, 27(1): 76-80.
    [19] 王文亮, 刘 卫.  钒电池工作特性及在风电中的应用前景 . 现代电力, 2010, 27(5): 67-71.
    [20] 田继伟, 张新燕.  达坂城风电场动态无功补偿方案研究 . 现代电力, 2010, 27(4): 40-43.
  • 加载中
计量
  • 文章访问数:  1823
  • HTML全文浏览量:  18
  • PDF下载量:  1061
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-04-01
  • 刊出日期:  2016-04-14

基于风场景识别的动态风电功率概率预测方法

    基金项目:  国家自然科学基金(51206051);国家电网公司科技项目
    作者简介:

    阎 洁(1987-),女,博士研究生,风电场功率预测及不确定性分析、含有风电的电力系统优化运行等, E mail:yanjie_freda@163.com;刘永前(1965-),男,教授,博士生导师,研究方向为风电场设计与运营技术等,E mail:yqliu@ncepu.edu.cn。

  • 中图分类号: TM614

摘要: 传统风电功率预测是确定的、静态的、非条件性的,无法代表不同外部状态的发电过程,缺失预测误差的概率性信息。针对上述问题,提出了一种动态的基于风场景识别的风电功率概率预测方法。首先建立基于K means的风场景识别模型,根据风速和风向识别自然风特征,据此划分风电场风况类别。然后针对各风况类别建立基于相关向量机的概率预测模型。在实际预测中,根据实时风况动态调整概率预测模型参数。以中国西北某风电场为例进行验证,结果表明,该方法提高了单点预测精度、概率预测可靠性和技术分数、运行效率,为预测细化建模提供新的解决思路。

English Abstract

阎 洁, 刘永前, 张 浩, 张慧玲, 冯双磊. 基于风场景识别的动态风电功率概率预测方法[J]. 现代电力, 2016, 33(2): 51-58.
引用本文: 阎 洁, 刘永前, 张 浩, 张慧玲, 冯双磊. 基于风场景识别的动态风电功率概率预测方法[J]. 现代电力, 2016, 33(2): 51-58.
YAN Jie, LIU Yongqian, ZHANG Hao, ZHANG Huiling, FENG Shuanglei. Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario Recognition[J]. Modern Electric Power, 2016, 33(2): 51-58.
Citation: YAN Jie, LIU Yongqian, ZHANG Hao, ZHANG Huiling, FENG Shuanglei. Dynamic Wind Power Probabilistic Forecasting Based on Wind Scenario Recognition[J]. Modern Electric Power, 2016, 33(2): 51-58.
参考文献 (21)

目录

    /

    返回文章
    返回