风电功率

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。

针对风电并网时的随机波动功率、负荷频率控制(load frequency control, LFC)系统参数变化所引起的电力系统频率稳定问题，提出了一种基于智能优化算法与改进目标函数的互联电网LFC系统最优PID控制器设计方法。首先，分析了基于PID控制的含风电互联电力系统LFC闭环模型。其次，在时间乘误差绝对值积分(integral of time multiplied absolute error, ITAE)性能指标的目标函数中考虑了区域控制器的输出信号偏差，对优化目标函数进行改进。采用性能优良的多元宇宙优化(multi-verse optimizer, MVO)算法先计算后验证的思路，寻优获得最优PID控制器参数。最后，以两区域4机组互联电力LFC系统为例，仿真验证了基于MVO算法结合改进目标函数所获得的PID控制器，比基于MVO算法所获得的PID控制器，对阶跃负荷扰动、随机负荷扰动、风电功率偏差扰动以及系统的参数变化，具有相对较好的鲁棒性能。并且，对控制器参数也具有相对较好的非脆弱性指标。

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%。

针对因风电场机组异常数据而导致风电功率预测精度下降的问题，文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise，DBSCAN)算法加上最小绝对残差(least absolute residual，LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据，然后基于LAR方法构建堆积型异常数据识别模型，分别实现对风电场分散型异常数据和堆积型异常数据的清洗，最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明，基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。

为提高风电功率预测精度，提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先，以风电场数值天气预报(numerical weather prediction, NWP)为原始输入，基于双层长短期记忆网络(long short-term memory, LSTM)模型对风电功率进行初步预测。其次，利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型，以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后，利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)将初步预测误差分解为不同频段的误差序列，并将其作为附加性反馈输入，对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制，为风电功率预测序列与误差序列动态分配权重，由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后，仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。

为解决风电机组在风电功率平抑和故障穿越2方面的不足，针对基于混合储能的直驱风力发电系统，提出一种同时兼顾风电功率平抑和故障穿越的复合功率控制策略。一方面，提出具有功率误差反馈环的改进型二阶滤波功率分配方法，实时修正超级电容和蓄电池储能的功率响应指令，提高目标功率分配精度的同时改善跟踪控制效果，实现风电功率平抑的同时延长储能介质使用寿命；另一方面，提出网侧变流器（grid side convertor，GSC）和混合储能共同作用的复合功率控制策略，实时修正各控制量的功率响应指令并快速清除直流母线上的冗余功率，提高风电机组的故障穿越能力，使风电系统基本不受电网故障的影响。

在清洁能源发展迅速的大环境下，风电出力的随机性和波动性会对电力系统的稳定造成影响，因此对风电波动平抑是当前清洁能源发展的一个基础性问题。提出一种基于改进后的北方苍鹰算法（sine-cosine northern goshawk optimization，SCNGO）优化变分模态分解（VMD）参数平抑风电波动的混合储能容量配置策略，对风电功率进行参数优化的VMD过后利用皮尔逊相关性分析判断强弱相关分界点，经过2次分配后得到并网功率与混合储能功率；对混合储能功率进行基于t检验分频算法的功率分配，得到蓄电池/超级电容的容量配置。基于此策略，以储能元件年综合成本作为模型，结合算例进行经济性评估并对并网功率进行波动量分析及改进北方苍鹰算法的优越性分析。结果表明：基于SCNGO-VMD的储能容量配置策略能有效平抑风电波动，平抑后的并网功率1 min、10 min的最大波动量仅为国家要求的18.2%、45.52%，相应的储能配置成本为传统配置策略中的最低值。其配置的混合储能容量更具经济性，验证了改进的北方苍鹰算法在迭代速度与精度上均优于传统的智能优化算法。