基于特征值的风电功率预测实时误差评估及使用研究

Due to the fluctuation and uncertainty characteristics of wind power, it is difficult to forecast the output of wind power accurately. The forecast error would lead to the unbalance between the load demand and the output power and too much of reserve capacity, which might raise the cost of the power grid or even make the power grid blackout. Therefore, research on the forecast error is useful to grid operators. The object of recent research on forecast error is achieve the distribution of forecast error based on the statistics for historical data. This statistics error from distribution is not suitable for such a various wind power system. Thus, in my project, it is the main goal to seek the eigenvalues, which could reveal the real time error of forecast error. In the first, the mechanism of forecast error would be analyzed to search for the key impacts, which influence the forecast error strongly. Then the phase space reconstruction will be used to analyze the forecast and error curve to find the coefficients that have strong relationship with the forecast error. After that, online dictionary learning method is used to extract the eigenvalues of forecast error from the impacts and those coefficients. Based on the eigenvalues, a real time error estimate model will be built. Finally, according to the real time forecast error, dispatch and reserve operate strategy will be studied.

由于风电功率具有波动性和不确定性，很难对其进行精确预测。风电功率预测误差将造成发供电的不平衡，轻则增加电网运行成本，严重时会造成电网崩溃，因此研究风电功率预测误差对电网运行具有较高的指导意义。现有的预测误差分析方法多通过对长期历史数据的统计来拟合误差概率分布，对于时变性特别强的风电系统，这种统计意义上的误差评估很难正确反映预测系统的性能。为了解决这个问题，本项目旨在寻找能够反映实时误差变化的特征值。从分析风电功率预测系统的误差产生机理入手，获取影响预测误差的因素。然后利用相空间重构技术对风电功率预测及误差曲线进行分析，寻找与误差强关联的物理量。接着利用字典学习方法对影响误差因素以及与误差关联参数进行特征提取与化简，得到预测误差的特征值。以此特征值为基础，建立实时误差评估模型。最后开展基于实时预测误差的调度与储能策略研究。

为了降低风电不确定性对电网的冲击，提高风电消纳比例，利用特征值提取技术，从风电预测及误差评估和含风电电网调度两个方面开展研究。在风电预测及误差评估方面，为了提高风电功率多步预测精度，在分析风电的长期趋势、短时波动性和超短期随机性基础上，提出利用变分模态分解和长短期记忆网络风电功率预测方法。为了强化风电长期特征的学习，抑制短时随机特征对预测模型长期记忆的冲击，改进了长短期记忆网络结构。为了解决风电爬坡等强不确定性事件的预测，首先提出了利用卷积神经网络特征提取的风电功率爬坡预测方法，然后提出了先利用改进旋转门算法提取爬坡特征，再用长短期记忆网络深度学习的爬坡事件预测模型。为了评估风电功率预测误差，提出了基于字典的预测误差特征值提取方法和基于K-means的误差特征分析方法，并建立了误差区间评估模型。在含风电电网调度方面，为了降低风电预测误差带给电网的风险，提出了考虑风电预测实时误差风险的电网调度模型。为了补偿风电预测误差，提出了含风/储电力系统多时间尺度滚动优化调度策略。为了降低风电骤升骤降对电网平衡的冲击，提出了考虑风电爬坡事件的提前-滞后调节方法，利用储能系统进行提前和滞后两步补偿。为了匹配风电功率预测误差与风电消纳设备的时间特性，改进了变分模态分解方法，并提出了考虑风热时间特性的电热系统调度策略。为了补偿快速变化的风电实时预测误差，提出基于空气源热泵的电热系统调度策略。为了提高复杂电网调度模型的求解精度，改进了径向移动优化算法。此外，根据国内外与本项目相关内容的发展和热点情况，还对考虑风电特性的并网控制策略等进行了研究。取得的主要成果有：在科学出版社出版专著1部，发表学术论文12篇，其中SCI检索论文8篇，Ei检索论文4篇，培养硕士研究生5名，授权发明专利1项。