短期预测

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。

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。

为提高电力负荷的预测精度，提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解（VMD）将原始负荷分解为一系列模态分量与残差，VMD的分解层数由样本熵值（sample entropy，SE）确定；然后对比原始负荷与模态分量的SE值，重构为平稳分量和波动分量，来降低运算规模；同时利用皮尔逊相关系数来筛选特征变量，删除特征冗余，建立灰狼算法优化后的支持向量回归模型（GWO-SVR）和长短期记忆神经网络（LSTM）分别对平稳分量和波动分量预测；最后以某地区2018—2020年用电负荷为例进行实验。实验证明：此模型精准度高达94.7%，平均绝对百分误差降低到2.98%，具有更好的精准性和适用性。

为了增强光伏并网的稳定性，提高光伏发电功率预测精度，提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先，使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率，将其作为聚类特征向量，并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次，对每一类相似日分别使用群分解算法进行分解，以提取原始数据的多尺度波动规律特征。最后，利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘，并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上，说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点，构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）算法，结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解，得到数据信号在不同时间尺度的局部特征，降低环境因素序列的非平稳性，然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后，选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明，构建的改进光伏出力预测组合模型的各项指标预测效果更好，且适用不同环境的光伏发电预测。

为抑制直流送端电网暂态过电压，充分发挥风电在风火打捆直流外送系统功率调节作用，提出了一种考虑风电场调控裕度的无功电压紧急控制策略。首先，分析换相失败故障下风火打捆系统电气量变化及故障引发直流送端过电压机理；其次，在遭遇换相失败故障后通过降低直流输送功率抑制直流系统连续换相失败，减少故障恢复期间系统无功需求，分析功率速降后系统无功潮流变化；再次，针对盈余无功导致送端暂态高压提出直流送端无功电压紧急控制策略，根据超短期预测风速对风电场无功裕度进行分配，针对不同情形设计具有多种工作模式的风机控制器；仿真结果表明：所提控制方法能够较好地解决风火打捆直流外送系统直流送端暂态过电压问题。

新能源机组出力预测误差的概率特性分析，对系统备用决策具有重要意义。常规的基于特定解析形式的分析模型，对于新能源实际出力分布规律的描述不够灵活且存在误差，为平抑不确定性的影响，集中式新能源通常需配置足够容量的储能应用，从而影响经济效益。因此，从随机过程的角度，依据一种特殊的随机微分方程—Vasicek模型，给出新能源出力模型的参数估计方法，避免概率分布的具体解析表达，并依托该模型提出一种改进的储能配置方法。算例分析表明，所提算法具有较好的短期预测性能，以此为依据决策储能容量配置更加精确和经济。

​11月1日从国网山东省电力公司获悉，9月份，山东新能源超短期预测精度达97.4%，位居国家电网有限公司系统内首位。这得益于国网山东电力于7月份开始应用的新能源超短期功率预测模式。截至目前，新能源超短期功率预测模式已在山东省全部258座风电场、303座光伏电站应用，将超短期预测精度提升1.9个百分点，新能源发电功率预测时间范围由未来4小时延长至未来12小时，为电网安全运行和新能源电力高效消纳提供有力支撑。

影响风/光发电功率预测精度的主要因素是风/光资源的风向、风速、温度、湿度、光照等关键数据。根据海南省的亚热带湿热气候特征，分析风/光发电特征及其时空互补特性，深入分析风/光资源的关键因素对新能源发电功率的影响，得到这些因素与风/光发电功率之间的相关性，在此基础上研究风力发电功率、光伏发电功率的短期和超短期预测模型和方法：针对现有风电/光电功率预测精度不足的问题，提出基于亚热带湿热气候特征的风电功率预测物理模型与统计适配模型相结合的风电功率预测方法，和基于不同风速段的连续时间段聚类的SVM风电功率模型；研究和给出适合海南省亚热带湿热气候特征的风力发电功率、光伏发电功率预测系统设计方案。海南现有的五个风电场，含沿海滩涂和丘陵地带。因此，本研究兼顾了山地丘陵地带的建模方法。 为解决多类型新能源并网下的绿色调度问题，提出了多时间尺度的鲁棒调度方法，该方法通过协调调度水电、火电、风电、气电等多种电源的开机出力，利用多个时间尺度（日前、日内、实时）逐级降低新能源的预测偏差给电网的冲击作用，并采用鲁棒调度方式保证了调度方案的鲁棒性。此外，新能源出力的不确定集直接影响鲁棒调度的经济性和鲁棒性。为解决经济性和鲁棒性的冲突问题，提出了一种不确定集的优化方法，该方法通过计算弃风和切负荷成本将鲁棒性转化为风险成本，优化出使得综合成本最小（发电成本、环境成本和风险成本之和）的最优不确定集。 针对新能源并网带来的无功电压控制方面的问题，并考虑到今后电网向大规模发展的趋势，提出了含多类型新能源的三级电压控制模式，按全网、区域和地区电网划分，分别充当第三、第二和第一级电压控制，各级电压控制之间在时空上相互协调，可根据实际电网规模和网络拓扑结构确定是否采用区域电压控制。在全网电压控制方面，考虑到运行成本和新能源并网点电压波动问题，以网损最小和电压质量最优为目标，建立了多目标无功优化模型，模型中采用了不同的节点类型对新能源机组进行建模；在区域电网电压控制方面，针对日前新能源机组并网引起的长期电压稳定问题，引入电压安全稳定约束，以与全网电压控制的电压偏差和控制成本为目标函数，建立了适应新能源并网的最优协调电压控制模型；在地区电压控制方面，针对新能源机组并网点无功不足的问题，提出了基于微分博弃理论的STATCOM动态无功补偿策略，克服了传统PI解耦控制中直流系统和交流系统的负交互作用，缩短了动态无功补偿后电压的镇定时间。针对目前海南电网AVC系统不能适应大规模新能源机组并网的情况，提出了基于混成电压控制的AVC控制方案。