电力系统自动化
電力繫統自動化
전력계통자동화
AUTOMATION OF ELECTRIC POWER SYSTEMS
2014年
12期
6-11,26
,共7页
崔明建%孙元章%柯德平
崔明建%孫元章%柯德平
최명건%손원장%가덕평
风力发电%爬坡事件%风电功率预测%原子稀疏分解%反向传播神经网络
風力髮電%爬坡事件%風電功率預測%原子稀疏分解%反嚮傳播神經網絡
풍력발전%파파사건%풍전공솔예측%원자희소분해%반향전파신경망락
wind power generation%ramp events%wind power forecasting%atomic sparse decomposition (ASD)%back propagation neural network
超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。
超短期風電功率爬坡事件越來越影響風電機組在電網中的運行。噹前國內對爬坡事件的定義併不明確,缺少相應的預測方法。闡述瞭風電功率爬坡事件的物理含義,提齣瞭一種基于原子稀疏分解和反嚮傳播神經網絡(BPNN)的組閤預測方法,分彆建立瞭原子分量自預測模型、殘差分量預測模型和組閤預測模型。以實際風電場數據進行驗證,對不同預測方法和不同時間空間實測數據進行瞭較全麵的分析,結果錶明該方法可以提高預測精度,併能降低絕對平均誤差和均方根誤差計算值的統計區間。
초단기풍전공솔파파사건월래월영향풍전궤조재전망중적운행。당전국내대파파사건적정의병불명학,결소상응적예측방법。천술료풍전공솔파파사건적물리함의,제출료일충기우원자희소분해화반향전파신경망락(BPNN)적조합예측방법,분별건립료원자분량자예측모형、잔차분량예측모형화조합예측모형。이실제풍전장수거진행험증,대불동예측방법화불동시간공간실측수거진행료교전면적분석,결과표명해방법가이제고예측정도,병능강저절대평균오차화균방근오차계산치적통계구간。
Ultra-short-term wind power ramp events have been increasingly influencing the wind machine operation in power systems.The domestic definition of ramp events is not clear and the corresponding forecasting methods are absent at present. The physical meaning of the wind power ramp events is elaborated and a combination forecast method based on the atomic sparse decomposition (ASD) and back propagation (BP) neural networks is proposed.Atomic components self-prediction model,error component prediction model and the combination prediction model are established separately.The different prediction methods and different time space measured data are analyzed comprehensively through applications with real wind farm data.The results show that the proposed method can improve the prediction accuracy,and the statistical intervals of absolute mean error and root mean square error are also remarkably reduced.