单机风电功率人工智能预测模型综述

摘要
图/表
参考文献
相关文章 (10)

全文: PDF (635 KB) HTML (1 KB)
输出: BibTeX | EndNote (RIS)

摘要单机风电功率预测依据风机轮毂风速的历史数据预测风电功率。风速与功率的高比例关系使得电力调度系统对风电功率预测精度的要求较高,此外,风速具有间隙波动性和随机性,使得风速和风电功率序列呈现出很强的非线性。人工智能在处理非线性预测问题上具有优势,对单机风电功率预测建模有一定的价值。本文介绍了基于人工智能的单机风电功率预测模型的建立过程,阐述了模糊逻辑等人工智能方法在单机风电功率预测中的应用与特点,探讨了单机风电功率预测模型存在的问题,提出了对提高单机风电功率预测模型性能的一些见解。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	郭茜
	匡洪海
	王建辉
	周宇健
	高闰国

关键词 ：单机, 风电功率预测, 人工智能, 预测模型

Abstract：Wind power prediction of a single wind turbine based on historical data of wind speed of the wind turbine hub. The high proportional relationship between wind speed and power makes the power dispatching system have higher requirements for wind power prediction accuracy. The wind speed has gap-volatility and randomness, which makes the wind sequences exhibit strong non-linearity. Artificial intelligence has an advantage in dealing with the problem, and it is beneficial to single- machine wind power forecasting modeling. This paper introduces the establishment process of predictive model based on artificial neural network and support vector machine, and expounds the application and characteristics of artificial intelligence method such as fuzzy logic in single-machine wind power prediction, some problems existing in single wind power prediction models are discussed, and some insights on improving the performance of the single wind power prediction model are presented.

Key words： single wind turbine wind power forecast artificial intelligence prediction model

收稿日期: 2018-06-17 出版日期: 2020-02-27

基金资助:湖南省自然科学基金项目（2018JJ4076）

作者简介: 郭茜（1996-）,女,宁夏银川人,硕士研究生,研究方向为人工智能在功率预测中的应用。

引用本文:

郭茜, 匡洪海, 王建辉, 周宇健, 高闰国. 单机风电功率人工智能预测模型综述[J]. 电气技术, 2020, 21(2): 1-6. Guo Qian, Kuang Honghai, Wang Jianhui, Zhou Yujian, Gao Runguo. Summary of artificial intelligence prediction model for single wind power. Electrical Engineering, 2020, 21(2): 1-6.

链接本文:

http://dqjs.cesmedia.cn/CN/Y2020/V21/I2/1

[1] 吴飞, 阳春华, 兰旭光, 等. 人工智能的回顾与展望[J]. 中国科学基金, 2018, 32(3): 243-250.
[2] 清洁能源消纳行动计划(2018—2020年)[J]. 中国电力企业管理, 2018(34): 7-8.
[3] 彭小圣, 熊磊, 文劲宇, 等. 风电集群短期及超短期功率预测精度改进方法综述[J]. 中国电机工程学报, 2016, 36(23): 6315-6326.
[4] 苏赞, 王维庆, 王健波, 等. 风电功率预测准确性分析[J]. 电气技术, 2012, 13(3): 1-5.
[5] Vargas S A, Telles Esteves G R, Macaira P M, et al. Wind power generation: a review and a research agenda[J/OL]. Journal of Cleaner Production, 2019, 218: 850-870.
[6] 卿湘运, 杨富文, 王行愚. 采用贝叶斯-克里金-卡尔曼模型的多风电场风速短期预测[J]. 中国电机工程学报, 2012, 32(35): 107-114.
[7] Botterud A, Zhou Zhi, Wang Jianhui, et al.Demand dispatch and probabilistic wind power forecasting in unit commitment and economic dispatch: a case study of illinois[J]. IEEE Transactions on Sustainable Energy, 2013, 4(1): 250-261.
[8] 黎静华, 桑川川, 甘一夫, 等. 风电功率预测技术研究综述[J]. 现代电力, 2017, 34(3): 1-11.
[9] 崔杨, 穆钢, 刘玉, 等. 风电功率波动的时空分布特性[J]. 电网技术, 2011, 35(2): 110-114.
[10] 杨俊友, 崔嘉, 邢作霞, 等. 考虑风电功率预测的分散式风电场无功控制策略[J]. 电力系统自动化, 2015, 39(13): 8-15.
[11] 崔嘉, 杨俊友, 邢作霞, 等. 基于单机最优功率曲线拟合的多场景风电功率预测方法[J]. 电力系统自动化, 2015, 39(16): 23-28, 42.
[12] 叶林, 任成, 李智, 等. 风电场有功功率多目标分层递阶预测控制策略[J]. 中国电机工程学报, 2016, 36(23): 6327-6336.
[13] 叶瑞丽, 郭志忠, 刘瑞叶, 等. 基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测[J]. 电工技术学报, 2017, 32(21): 103-111.
[14] Wang H Z, Wang G B, Li G Q, et al.Deep belief network based deterministic and probabilistic wind speed forecasting approach[J]. Applied Energy, 2016, 182(C): 80-93.
[15] Wang J, Zhang W, Li Y, et al.Forecasting wind speed using empirical mode decomposition and Elman neural network[J]. Applied Soft Computing, 2014, 23: 452-459.
[16] Doucoure B, Agbossou K, Cardenas A.Time series prediction using artificial wavelet neural network and multi-resolution analysis: application to wind speed data[J]. Renewable Energy, 2016, 92: 202-211.
[17] Wang Huaizhi, Li Gangqiang, Wang Guibin, et al.Deep learning based ensemble approach for probabilistic wind power forecasting[J]. Applied Energy, 2017, 188: 56-70.
[18] 陈道君, 龚庆武, 金朝意, 等. 基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J]. 电网技术, 2013, 37(4): 974-980.
[19] 程启明, 陈路, 程尹曼, 等. 基于EEMD和LS-SVM模型的风电功率短期预测方法[J]. 电力自动化设备, 2018, 38(5): 27-35.
[20] 李国庆, 张钰, 张明江, 等. 基于MRMR的集合经验模态分解和支持向量机的风电功率实时预测[J]. 东北电力大学学报, 2017, 37(2): 39-44.
[21] 杨茂, 黄宾阳, 江博, 等. 基于卡尔曼滤波和支持向量机的风电功率实时预测研究[J]. 东北电力大学学报, 2017, 37(2): 45-51.
[22] 丁志勇, 杨苹, 杨曦, 等. 基于连续时间段聚类的支持向量机风电功率预测方法[J]. 电力系统自动化, 2012, 36(14): 131-135, 149.
[23] Kusiak A, Zhang Zijun.Short-horizon prediction of wind power: a data-driven approach[J]. IEEE Transa- ctions on Energy Conversion, 2010, 25(4): 1112-1122.
[24] Dimitris Zafirakis, Georgios Tzanes, John K.Kaldellis. Forecasting of wind power generation with the use of artificial neural networks and support vector regression models[J]. Energy Procedia, 2018, 159: 509-514.
[25] 杨茂, 杨春霖. 基于模糊粒计算的风电功率实时预测研究[J]. 东北电力大学学报, 2017, 37(5): 1-7.
[26] 刘长良, 曹威, 王梓齐. 基于模糊C均值软聚类工况辨识的风电功率短期区间预测[J]. 华北电力大学学报: 自然科学版, 2019(5): 83-91.
[27] 杨志凌, 刘永前. 应用粒子群优化算法的短期风电功率预测[J]. 电网技术, 2011, 35(5): 159-164.
[28] 吴金浩, 杨秀媛, 孙骏. 基于主成分分析法的风电功率短期组合预测[J]. 电气技术, 2016, 17(7): 41-47.
[29] 吴世伟, 刘文彪, 纪陵, 等. 新能源发电功率预测系统数据流容错研究[J]. 电气技术, 2018, 19(12): 107-111.