关键词:
短期负荷预测
短期风电功率预测
短期光伏功率预测
预测水平
消纳能力
摘要:
准确的可再生能源和负荷预测在电网规划方案的进展中起着关键作用,对于电力系统的有效调度和安全稳定运行至关重要。随着风光能源接入比例不断增加,弃风和弃光现象不断发生,风电和光伏消纳显得尤为重要。本文在精确预测短期负荷、风电和光伏出力基础上,对风电和光伏的消纳能力进行分析。在负荷预测方面,本文提出了基于经验小波变换(Empirical Wavelet Transform,EWT)和改进的随机森林(improved random forest,IRF)的频域组合预测方法。首先,采用EWT分解负荷,得到不同的固有模态分量(Intrinsic Mode Functions,IMFs);其次,根据各分量特征采用合理的方法进行预测。其中,低频、中频分量采用IRF预测;高频分量使用密度的聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)根据气象因素温度和湿度聚类,再根据每类的样本特性选择处理方法。最后,叠加各分量的预测值,获取负荷预测值。根据安徽省某地区现场负荷数据进行实验,得出的预测结果分别与经验模态分解(empirical mode decomposition,EMD)-IRF、IRF、随机森林(random forest,IRF)模型进行对比,提出的模型具备更好的预测准确性,且反映了实际负荷的随机性。在风电功率预测方面,本文提出了基于经验小波变换(Empirical Wavelet Transform,EWT)和改进的随机森林(Improved Random Forest,IRF)的组合预测方法。首先,从数据预处理的角度,采用孤立森林(Isolation Random,i Forest)清洗历史风电功率中的异常数据。其次,用EWT分解风电功率,得到不同的IMF;然后,根据各分量特征构建不同的IRF模型并预测。最后,叠加各分量的预测值。通过分别与经验模态分解(empirical mode decomposition,EMD)–IRF、IRF、RF模型的预测结果进行对比,得出提出的模型更能有效提升预测精度。在光伏功率预测方面,本文提出了基模糊C均值聚类(Fuzzy C-Means Clustering,FCM)和IRF的短期光伏功率组合预测方法。首先,从数据预处理的角度,对历史光伏功率及气象数据进行预处理,包括异常数据清洗、特征选择和归一化;其次,利用基于XB指数的FCM算法基于历史日和预测日的气象数据进行聚类;最后,结合IRF,预测各类别的光伏出力,将预测的结果按照时间点整合,得到光伏出力的预测结果,并采用所提方法进行仿真实验。预测结果与IRF、RF、BP方法对比,验证了所提方法可有效提升预测准确性。采用归纳总结的预测水平指标对安徽某地区预测的负荷、风电和光伏出力进行全面评估。最后,采用三个消纳指标进行分析。结果表明,负荷、风电和光伏功率预测方法的预测效果理想,补充的预测水平指标和消纳指标的分析结果对电网的有效调度和能源的持续健康发展提供参考。