功率预测

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

传统风电场跟随主站电压指令调节的方式容易导致站内无功源频繁波动、站内无功裕度不足，影响风电场的调压能力。为此提出了一种考虑风电运行轨迹与场景划分的场级主动调压优化控制策略。首先，基于风电场功率预测数据和有功–电压灵敏度曲线，绘制并网点电压波动轨迹，结合AVC子站接收到的电压指令，协调风机和SVG的无功输出，有效降低了无功设备的调节频次。其次，根据电压跌落幅度划分详细运行场景，通过调整SVG的控制模式，有效抑制了电网电压的大幅波动。最后，构建了包含AVC功率控制器的仿真测试平台，验证对比了所提方法相对于传统风电场AVC控制策略在降低无功调节频次、提升无功裕度、主动电压支撑方面的效果，为实现风电场主动调压提供了新的解决思路。

9月23日，国网江苏电力有限公司营销服务中心自主研发的分布式光伏发电功率预测模型在宝应县成功试点应用。应用结果表明，模型对单户客户光伏发电功率预测的时间精度达到小时级，准确率可达91.3%。

在新能源渗透率不断提高的背景下，储能等灵活性资源是构建新型电力系统的重要支撑。基于安徽电力市场建设现状，提出一种独立储能参与电力市场的多阶段协同交易策略。首先，提出了中长期交易结算模式。然后，针对电价和功率预测的不确定性，建立了多概率场景表征的日前电能量-备用辅助服务联合出清模型，并在此基础上建立了日内偏差量单独交易模型。其次，分析了储能老化成本对收益的影响。最后，以独立储能收益最大化为目标进行仿真，结果表明所提机制能有效提升独立储能市场收益，以期为电力市场建设提供参考。

现有合同电量分解方法大多没有考虑风电不确定性的影响及未与发电计划协同优化，导致到期合同电量往往未能够得到充分执行。提出一种考虑风电不确定性和检修计划影响的短期合同电量协同分解优化新模型及算法，使得到期时合同电量能够公平合理地充分执行。首先，以发电成本、合同偏差成本及风电品质风险成本最小为目标，构建短期合同电量分解到天的优化模型及算法，得到每天预计完成的合同电量。然后，基于日前及日内短期及超短期负荷及风功率预测信息，分别构建考虑合同完成度的日前鲁棒发电计划及日内重调度优化模型及算法，在保证对负荷尽可能供电及系统安全约束满足的前提下，实现风功率充分消纳及每日合同电量的充分执行。在此基础上，对每日未完成的合同电量，通过后续日合同电量的滚动修正进一步加以实现，从而保证到期时短期合同电量能够得到充分执行。算例证实了该模型及算法的可行性和先进性。

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。