【摘 要】
：
集群光伏功率预测为电力市场中的电网管理和交易提供了基础。为了解决传统的区域性光伏发电建模方法的不足,如难以选择有用的气象信息、单个模型无法充分了解功率曲线的复杂多样的波动特征等问题,本文提出了一种将波动模式识别模型与基于卫星云图的波动模式预测模型相互融合的光伏电站集群超短期功率预测框架。首先,对集群光伏功率曲线的波动特征进行提取,包括采样损失面积、平均值、标准差和三阶导数,并基于这些波动特征建立了
【基金项目】
：
国家重点研发计划项目‘促进可再生能源消纳的风电/光伏发电功率预测技术及应用（2018YFB0904200）’； 国家电网有限公司配套科技项目（同名,SGLNDKOOKJJS1800266）；
论文部分内容阅读
集群光伏功率预测为电力市场中的电网管理和交易提供了基础。为了解决传统的区域性光伏发电建模方法的不足,如难以选择有用的气象信息、单个模型无法充分了解功率曲线的复杂多样的波动特征等问题,本文提出了一种将波动模式识别模型与基于卫星云图的波动模式预测模型相互融合的光伏电站集群超短期功率预测框架。首先,对集群光伏功率曲线的波动特征进行提取,包括采样损失面积、平均值、标准差和三阶导数,并基于这些波动特征建立了一种基于k-medoids算法的集群功率波动模式识别模型,得到了平滑、轻微波动、剧烈波动三种不同程度的光伏出力模式。然后,基于波动模式识别的结果,采用长短期记忆网络分别对三种波动模式的数据集进行预测建模,得到三个预测子模型,在假设未来4小时功率波动模式已知的情况下,展开模型匹配,通过RMSE、MAE、COR三个误差指标来检验模型的性能,并与持续性预测和BPNN等基线模型进行对比,结果显示本文所提出的基于波动模式识别的光伏集群功率分类预测模型表现最佳。最后,针对预测过程中的模型匹配问题,提出一种基于卫星云图的集群光伏电站功率波动模式预测模型,根据波动模式识别模型的结果,以历史卫星云图序列作为卷积神经网络的输入,直接输出未来4小时的集群功率的波动模式,并作为预测模型的补充,实现预测模型的匹配功能。以实际云图和光伏功率数据进行仿真分析,结果显示,波动模式的预测结果全局精度为89.39%。
其他文献
深度神经网络由于优异的预测性能而得到了广泛应用。而传统计算平台由于并行度不高、遇到存储墙问题而无法高效实现神经网络的计算。神经网络推理时的核心计算是矩阵向量乘法。忆阻器交叉阵列由于能够存储权重矩阵,且能够以常数计算复杂度实现矩阵向量乘法,因此被视为较为有前途的神经网络加速器设计解决方案。然而,忆阻器在制造过程中无法避免硬件缺陷的出现。存在缺陷的忆阻器在使用过程中的电气表现是故障。故障忆阻器不能正确
本文主要建立了深井爆破降阻的仿真模型,设计出深井爆破接地电阻求解程序,验证了两种计算方法的有效性。此外对两种接地电阻计算方法进行实例分析,使得降阻方案经济效益最大化。完成的主要工作如下:首先,介绍了深井爆破的模型的建立背景,由深井的形态特点筛选出椭球,导体棒,多根导体棒,螺旋等适合进行深井爆破的模型,将他们接地电阻计算结果进行对比,最终确定了多根导体棒的深井爆破模型,并给出不同土壤条件下该模型的算
智能化是构建持续、经济、安全的坚强电网的前提,对国家能源安全有着重大意义。输电线路自动化巡检是构建智能电网的主要技术之一,其发展在近些年受到专家学者们的广泛关注。螺栓作为输电线路中广泛存在、起到连接紧固作用的重要部件,如何对螺栓缺陷进行及时检测是急需解决的痛点问题。本文主要研究输电线路航拍图像中缺陷螺栓的检测。螺栓在航拍图像中具有以下几个明显的特点:1)在图像中占比小,机器可以提取的有效特征少;2
通信网络的时延可预测性是判断通信系统在多种不确定条件下能否保证数据流量高效传输的重要指标,也是网络规划及优化配置的重要参考标准。随着网络技术的发展,传统以太网已难以满足低时延传输需求。时间敏感网络（Time Sensitive Networking,TSN）在满足了工业自动化通信所需的“低时延、高可靠”传输特性外,还避免了硬件兼容问题,简化了部署流程,降低了成本。但是,目前与时间敏感网络时延可预测
随着“十四五”期间加快开发利用清洁能源措施的出台,全国风电并网规模必将不断扩大,同时风力发电的随机性和波动性给电力系统带来了更重大的安全隐患,因此尽可能精确掌握风功率预测误差的概率分布对保障电力安全具有重要意义。已有的研究成果表明,不同地区风电场的误差分布特征差异较大,而参数模型的选择依赖于工程人员的主观判断,在实际应用中遭遇到了较大困难。与参数估计相比,非参数估计无需进行先验模型假设,理论上是更
近年来随着风电行业快速增长,人们对机组运行的安全性、稳定性和可靠性有了更高的要求。为了弥补风电场运维存在的“维修过度”及“维修不足”的缺点,风电领域引入了故障预测和健康管理技术,使其可以尽早发现故障的早期症状或者微小故障,及时排除,避免造成更大的损失。本文开展了基于机器学习的风电机组故障预测与健康管理的研究,旨在通过发展视情维修来提高风电机组的安全性和可靠性,主要包括机组的故障诊断和故障预测两个方
为应对能源危机、缓解环境问题,发展可再生能源成为世界各国的共同目标。随着风电、光伏发电等间歇式能源大规模接入电网,给电网的频率调整和安全运行带来极大的挑战。作为目前技术最为完善、存储容量最大的储能电源,抽水蓄能电站具有良好的调频、调峰能力,是保证电网稳定运行的有效手段。常规的抽水蓄能机组一般采用同步电机,在抽水工况无法进行功率调节,在发电工况无法运行在最佳效率区间。相比之下,新型的变速抽水蓄能机组
低压配电网的用户用电数据是低压台区线损计算、负荷预测、非侵入式负荷识别等应用的基础,但在采集、传输等环节,用户数据往往会出现不同程度的缺失,成为后续应用的瓶颈。为了突破这一瓶颈,本文针对低压配电网用户数据的特点提出了基于张量的低压配电网用户数据高精度补全方法。（1）首先,本文详尽地分析了低压配电台区产生数据缺失的原因,并总结分析了经典数据缺失模式。然后,从数据的相对值、绝对值及波动性角度出发提出了
随着当今社会科技的飞速发展,机器人在人类生活中扮演着越来越重要的角色,人们希望采用自然语言与机器人对话,因此人机对话技术受到了学术界和工业界的广泛关注。虽然人机对话技术已经取得了较大的进步,但当前对话系统仍处于起步阶段,它通常只是被动地回答对方提出的问题或要求。在一些特殊的场景例如警务危机谈判中,模拟谈判专家的机器人在生成对话时,除了要考虑劫持者的语句以外,还需要根据劫持者的情绪、当前的环境以及在
为推动能源转型,保障人类社会可持续发展,融合清洁能源的分布式能源得到越来越多的关注。但由于分布式能源具备分布广、小规模、数量多等特点,导致其结构特殊,很难利用传统电网的集中控制方式进行调控,因此分布式能源调控技术逐渐成为研究的热点与重点。多主体系统是一种由多个独立主体协同合作以完成复杂任务的分布式系统,而分布式能源调控中各单元可被视作多主体系统中的单个主体,由此可将多主体系统应用于分布式能源调控中