含爬坡事件的风电功率的概率预测及电池储能系统容量预测控制的方法研究

With the large-scale wind power penetration into grid, wind power probabilistic prediction and battery energy storage system (BESS) become effective approaches to stabilize the fluctuations of wind power. However, the existing wind power research cannot effectively tackle with the problem of wind power ramp and its associated BESS capacity prediction control problem. Given the shortcomings of existing research, the project will propose to establish three models: (1) using empirical wavelet transform technique, obtain the corresponding empirical wavelet coefficients and construct discrimination function for ramp events with these coefficients, so as to overcome the shortcomings of the existing definitions; generalizing support vector quantile classification model, obtain multiple-kernel-based quantile classification model, and apply it to the prediction of the probability of ramp events. (2) utilizing the existing kernel function and conversion function, construct a transformation-kernel-based support vector quantile regression model, and apply it to the uncertain forecast of the wind power embedded in ramp events, making the prediction processes mutually switch between conventional wind power and wind power ramp. (3) Integrating the relationship of prediction tasks into the above proposed support vector quantile regression model, implement the multi-step forward synchronous predictions of wind power, and then establish the predictive control model to BESS capacity, and make the corresponding optimization. The completion of this project will contribute to enriching the uncertain prediction theory and ensuring the efficient and economic operation of power system.

随着大规模风电并网，风电功率概率预测和电池储能系统（BESS）成为应对风电功率波动的有效手段。但现有研究不能有效解决含爬坡事件的风电功率预测及其相关的BESS容量预测控制问题。鉴于此，本项目将建立三类模型进行研究：1.利用经验小波转换技术，获取经验小波系数并构建爬坡事件判定函数，以克服现有方法的不足；推广支持向量分位数分类模型，获得相应的多核学习的分位数模型，并应用于爬坡事件的概率预测。2.利用已有的核函数和转换函数，构建转换核的支持向量分位数回归模型，并应用于含爬坡事件的风电功率的不确定预测，使其能够同时应对常规风电功率和风电爬坡功率。3. 将预测任务相互关系融入上述所提出的转换核的支持向量分位数回归模型，进行风电功率的分位数多步向前同步预测；构建BESS容量的预测控制模型，并进行相应的优化研究。本项目的完成对于丰富不确定预测理论和保障电力系统高效经济运行，具有重要意义和应用价值。

本项目围绕含爬坡事件的风电功率预测及其相关的BESS容量预测控制问题进行了深入的研究，取得了一系列创新的研究成果和重要研究进展。（一）为提高风电功率（包括常规风电功率和含爬坡事件的风电功率）不确定预测的精度，本项目主要从三方面深入开展了预测方法的研究。（1）由于输入数据特征、输入数据的非线性自相关、模型中的超参数等均对预测结果产生重要影响，本项目提出了两种新的基于分位数预测的混合模型，这两种模型融入新的信号分解方法、特征选择方法和预测模型超参数优化算法等方法技术；（2）针对常用组合预测方法不能自适应地选择候选的单一预测模型以及对动态调整模型权重的不足，本项目提出了两种新的自适应的、动态调整的组合模型，即基于元学习策略（Meta-learning）的、能够自适应地从构建的候选模型库中选择模型的异质预测模型和一种新的基于广义混合(GM)函数动态加权的集成预测方法。（3）不确定预测常常需要提供预测区间，直接产生风功率的区间预测能够较好地满足不确定预测的需要。本项目提出一种可接预测风电功率可能的上界与下界的模型，和一种可同时预测多个预测区间的方法。（二）针对风电功率中的爬坡事件预测问题和BESS容量预测控制的问题，本项目在这两个问题上取得了重要研究进展。针对风电功率中的爬坡事件预测问题，本项目初步完成一种有效描述爬坡事件的爬坡强度和持续时间的特性的模型，即利用神经网络结构设计和序贯回归思想构建出一种基于序贯回归的预测方法，该方法不仅能够根据阈值的不同反映可能的发生的爬坡事件发生的概率，同时能够度量预测值。针对BESS容量预测控制的问题，本项目在已有研究成果基础上，将所研究问题转换成具有安全保障的随机优化问题，初步提出了一种可有效应对容量安全控制的模型。经过3年的研究，我们已发表4篇SCI收录期刊论文，投稿论文2篇，待整理研究论文2篇，培养研究生5名，参加了多次了学术会议。