风电功率预报技术研究综述

从20世纪中后期开始,丹麦等多个西方国家已经展开对风电功率预测的研究,而我国在该领域的研究开展得比较晚。在很长一段时间内,各国风电场均采用单一的预测方法进行风电功率预测,基本能够满足风电场及整个电力系统的需求。但是,随着风电产业的飞速发展,市场竞争越来越激烈,传统单一的预报方法逐渐不能满足需求,而集合预报在很大程度上能够解决这一问题。传统单一的方法所能做到的准确率已经达到比较高的水平,提升空间不大,集合各单一方法的优点能大大提升预测准确率。本文主要综合阐述各种传统预测方法,并结合各国的试验对比分析对集合预报作简要说明。     

基于小波长短期记忆网络的风电功率超短期概率预测

随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆（LSTM）网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性.     

基于GRU神经网络与灰色模型集成的气温预报

使用传统单一模型预报气温经常出现漏报现象,最终导致预测结果不理想,精度较低。针对单一预报模型稳定性较低,随机性偏高,突发性较多的特点,在深度学习理论的基础上,提出一种采用门控循环单元(GRU)和灰色模型(GM)集成的方法,先分别训练两个模型,再通过权值ω将二者的预测结果进行加权组合,权值ω适当调整模型,改善模型的预报结果,提高模型的预报精度,并加快了运行速度,并且其普遍适用性和应急突发能力得到巨大改善。实验表明,将GRU神经网络加入灰色模型进行气温预报,效果要明显优于单一的模型,其标准差小了近一倍,从而表明实验方法的可行性和有效性。      

最优加权组合预测方法在气候预测中的应用研究

把组合的方法引用到夏季降水预测综合集成研究中,讨论了最优加权方法的性质和特点,计算结果表明组合预测可以提高综合预测结果的可靠性和准确率,在气候预测业务与研究中有一定的使用价值。     

基于CEEMDAN-SE-ARIMA组合模型的东北夏季降水预测

针对传统时间序列模型无法有效预测模态混叠数据的不足,本文提出了一种基于CEEMDAN-SE-ARIMA的组合模型,并且对东北地区2016—2020年夏季降水量进行了实证分析。首先,基于完全自适应集合经验模态分解方法,将降水时间序列分解为多个本征模态分量,并根据不同分量样本熵的计算结果进行分量序列重构。然后,针对每一个重构分量,构建自回归移动平均预测模型。最后,将各分量的预测值进行叠加,得到组合模型的预测值。此外,还构建了ARIMA单一模型和其他组合模型,旨在与CEEMDAN-SE-ARIMA组合模型对比。结果表明：CEEMDAN-SE-ARIMA组合模型考虑了时间序列的模态混叠特征,能有效提高东北地区夏季降水时序模型的预测能力,具有良好的预测应用价值。预测结果较单一模型和其他组合模型均有所提高,MASE降低了0.02～0.91 mm, RMSE降低了0.80～130.49 mm, MAE降低了2.52～129.84 mm, MAPE降低了1.08～35.53 mm。CEEMDAN-SE-ARIMA模型在降水变率较小的西北部区域预测效果更好,对东南部区域的极值分布中心预测较为准确。     

基于中尺度模式与神经网络的风电功率预测

将中尺度数值天气预报模式与BP神经网络模型相结合用于风电功率预测,以WRF模式回算了2008年6月至2009年6月试验风电场的气象要素,精度检验结果显示风速预报值与对应实测值之间的相关系数达到0.72,风向、气温、湿度、气压的预报也比较准确,满足建立BP神经网络预报模型的需要.逐一建立试验风电场40台风电机组输出功率的BP神经网络预报模型,分析了数据标准化方法、隐含层神经元数对预报精度的影响.进行了26天实效为24 h的逐10 min预报试验,并以独立样本进行预报精度检验,结果显示单台风电机组输出功率相对均方根误差在24.8％～32.6％之间,预报值与实测值之间的相关系数现在0.45～0.68之间;风电场整体相对均方根误差为19.5％,预报值与实测值之间的相关系数为0.74.研究结果表明该方法可以用于实际的风电功率预测.     

气象要素在电力负荷预测中的应用

综合应用人工神经网络、模糊理论等智能技术,着重考虑天气因素对电力负荷的影响,确定了一种有效的电力系统短期负荷预测方法。并应用陕西省9个地市1998-2001年的逐日8个气象要素以及对应的逐日电力负荷值,对陕西省电力负荷进行训练和预测。研究结果证明这种方法能较大地提高日负荷预测的精度。     

月平均降水量的二次规划最优组合预测方法研究

以逐步回归、均生函数和多层递阶作为月平均降水量的3种子预报方法，进一步采用二次规划计算方法，通过计算各子方法的最优非负权系数进行最优组合预测建模研究。实例计算结果表明，这种组合预测模型的预报精度优于各子方法，并具有较好的理论依据，可在实际业务预报中进行推广应用。     

极端暴雨威胁下的城市内涝风险预警系统研究

传统内涝风险预报系统多基于单一降雨产品驱动城市水文水动力模型的模式,难以解决由于暴雨观测或数值模拟带来的不确定性问题。综合利用多源降雨（雷达、地面雨量计,地面雨滴谱）、积水观测数据,有利于提高内涝预报精度,改善风险空间描述。因此,为了进一步加强洪涝预测能力以更好地应对极端暴雨威胁,本研究提出了基于综合观测的城市内涝风险预警系统,并在北京市清河流域进行了初步实践和检验。该系统包含六个模块,融合了新兴的降雨积水观测技术,引入了主流的降雨临近预报方法,采用了成熟的城市雨洪模拟手段,可为道路交通提供实时的积水深度和风险等级,为城市内涝灾害应急管理提供内涝风险预测和预警产品。     

基于小波分解和布谷鸟搜索算法的小波神经网络风速预测（英文）

风速预测是风电场运行和风电并网过程中的关键技术之一。由于风速序列呈现出明显的间歇性和波动性,使用单一模型进行时预测难以取得满意的结果。本文发展了三种混合多步预测模型,并将他们与已有的风速预测模型相比较。这三个模型结合了小波分解、布谷鸟搜索算法和小波神经网络,分别记为CS-WD-ANN,CS-WNN和CS-WD-WNN。研究采用中国山东省两个风电场的实测数据进行模拟试验和模型比较,结果显示CS-WD-WNN表现最佳,具有最低的统计误差。     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

基于CFD动力降尺度的复杂地形风电场风电功率短期预测方法研究

复杂地形导致近地层风场时空变化大,是影响风电场短期风电功率预测准确率的重要因素。为此,基于中尺度数值预报模式和微尺度计算流体力学模式,建立了风电场短期风电功率动力降尺度预测系统。该系统由中尺度数值预报模式、微尺度风场基础数据库、风电功率预测集成系统组成,能够预测复杂地形风电场中每台风电机组未来72 h逐15 min的发电量。提高了复杂地形风场发电功率预测准确率,同时还可以在上报电网的风电功率预测结果中考虑运行维护计划和限电等因素对实际并网功率的影响。2014年7月-2015年1月的业务预测试验表明,风电场短期风电功率动力降尺度预测系统的月预测相对误差均小于0.2,满足中国国家电网对风电功率预测误差和时效性的业务要求。动力降尺度技术不受具体项目地形复杂程度和历史观测数据样本量的限制,可以在新建风电场中推广应用,具备实际的可操作性。      

基于小波分解的沙尘天气发生日数预测组合模型研究——以2008—2016年策勒沙漠绿洲过渡带沙尘天气发生时序为例

新疆南疆地区是扬沙浮尘的主要高发区,风沙对当地生产生活影响严重。为揭示当地风沙天气变化特征并预测未来变化趋势,通过小波分解方法,将塔克拉玛干沙漠南缘的策勒沙漠 绿洲过渡带2008—2016年沙尘天气发生时序分解为平稳性波动项和非线性趋势项,根据两项数据的特性,针对性选取自回归(AR)模型和最小二乘支持向量机(LSSVM)进行变化趋势预测,最后利用加法原则重构实现沙尘天气发生日数时序预测。结果表明：研究区沙尘天气发生属于典型的春夏型,主要集中在3—9月,峰值出现在5月。组合模型预测值与实测值基本吻合,具有较高的预测精度（绝对误差为4.00 d, 均方根误差为3.76 d）,同时,其结果与AR模型、LSSVM模型预测结果相比较也显示出一定的优越性（组合模型相关系数相比AR、LSSVM分别提高了0.12、0.31）,具有较好的应用前景,可为研究区预防风沙灾害及指导实际生产生活提供科学依据。     

不同气象预测数据源对山地风电场风速预测准确率的影响分析

在影响风电功率预测准确率的因素中,气象预测数据源的选取和组合影响较大.基于广西A、B两个山地风电场2020年2月1日至3月15日15min实测风速、4种单一气象数据源及3种混合订正气象数据源的预测风速,分析不同气象预测数据源对风电场风速预测准确率的影响.结果表明,多种数据源混合订正预测结果总体优于单一气象数据源预测结果...     

决策树技术分析气象因子对电力负荷预测的影响

基于决策树技术,对气象因子和日电力负荷的最高、最低值、平均值进行联合建模,量化气象因子对电力负荷的影响,从而确立一种有效的基于气象因子的短期电力负荷预测方法,用以生成日特征负荷决策树预测模型.通过该模型,结合预测日的气象、属性(日期、节日等)等信息,可进行日特征负荷的预测.预测结果表明,该模型具有自动化程度高、预测结果准确率高的特性.以河北省保定市气象数据和电力负荷数据为例进行了训练和预测,研究结果证明这种方法能较大地提高日电力负荷预测的精度.     

集合数值预报方法在山洪预报中的初步应用

选取湖南4个典型山洪个例,分析了嵌套模式不同分辨率的预报效果,并采用多物理过程组合的集合预报方法,研究区域集合数值预报技术在山洪预报中的应用。研究指出,单一模式条件下,使用模式嵌套技术提高分辨率,并不能有效地改进对引发山洪灾害的突发强降水过程的预报能力,且这种单一的确定性预报,对暴雨等灾害性天气的预报存在不确定性。集合预报是解决单一预报不确定性提出的新方法,与单一模式提供的确定性预报结果相比,集合预报可为山洪预报提供多种定量预报产品。利用集合平均预报、极值预报,可以引导对山洪采取分类应对措施;集合预报在给出降水分布的同时,还给出伴随预报结果的可信度;概率定量降水预报(PQPF)与水文预报模型结合,可以用于概率水文预报。     

山东半岛风电爬坡事件的识别与天气分析研究

根据山东省24个风电场2013年全年每15 min的风电输出功率实测数据以及相应的WRF(Weather Research and Forecasting)气象预测数据和FNL(Final Operational Global Analysis)再分析资料,分析了区域大规模风电爬坡现象与大尺度天气系统演变的联系。结果显示,大尺度天气系统,特别是阻塞高压系统,是诱发山东地区大规模风电爬坡的重要因素;爬坡事件的预测应当考虑天气演变的因素。进一步结合旋转门(The Swinging Door,TSD)算法重新讨论了爬坡事件的定义与识别,并在此基础上分析了爬坡事件的特征及其可预报性;并指出风电功率上报、考核制度应当重点考虑爬坡时间段的预测水平,以提高电网运行的稳定性。     

一种多时间尺度SVM局部短时临近降雨预测方法

近年来支持向量机(support vector machine,SVM)在气象领域得到了广泛应用,在该类应用中单一建模是目前普遍采用的一种思路,单一建模方法寻找的是大而泛的预测模型,预测的目标以面降雨为主。本研究针对每个气象站点进行单独动态建模,建模方法为多时间尺度SVM,探索建立一种动态SVM短时临近降水预测模型,充分考虑不同站点、不同时刻的气象要素差异,初步解决了单一建模过于注重整体规律、建立固定的整体预测函数模型而忽略不同站点、不同时刻局部气象变化的不足,并尝试提高短时临近降水预报的准确率。初步实现了地理空间上更高密度、更精细化的降雨预测,时间分辨率为1 h,TS评分始终保持在较高的水平,对1 h预测的TS评分平均可达40%以上,部分站点接近50%,且模型预测准确率具有一定的稳定性和参考价值。     

均生函数预测方法在青藏高原冬季降水预报中的应用及改进

均生函数预测方法在天气预报等领域得到了越来越广泛的应用，但预测方法没有涉及到图形处理。在对方法、原理及过程进行深入细致的研究后，重新编写了程序的头部、中部、尾部语句及子过程调用函数。经多次调试试验，实现了人口资料调用灵活、多变、计算模拟结果屏幕显示等，提高了预测方法的整体实用性和预测信息的可视化程度。检验得知：该方法对青藏高原冬季降水的预报具有较高的预报精度。     

场时间序列预测方法及其预测能力的试验分析

给出场时间序列预测思想的提出及其理论基础,并在此基础上,给出场时间序列预测理论的思路及方法,并针对一个理想混沌时间序列进行预测能力的试验分析.初步结果表明,场时间序列预测方法可以提高单点时间序列的"遍历性",提高预测精度.