基于负荷峰谷特性的风电场集群超短期预测误差校正方法

《CSEE Journal of Power and Energy Systems》:Error Correction Method of Ultra-Short-Term Prediction Based on Load Peak-Valley Characteristics for Wind Farm Cluster

【字体: 大 中 小 】 时间:2026年02月11日 来源:CSEE Journal of Power and Energy Systems 5.6

编辑推荐:

  近年来,全球风电装机容量快速增长,提升风电预测精度对促进可再生能源并网与消纳至关重要。当前超短期风电预测研究常忽视负荷特性,难以充分满足不同时段并网要求与负荷调度需求。为此,研究人员提出一种融合负荷峰谷特性的超短期风电预测误差校正新方法。该方法包含三个关键步骤

  
近年来,全球风电装机容量快速增长,提升风电预测精度对促进可再生能源并网与消纳至关重要。当前超短期风电预测研究常忽视负荷特性,难以充分满足不同时段并网要求与负荷调度需求。为此,研究人员提出一种融合负荷峰谷特性的超短期风电预测误差校正新方法。该方法包含三个关键步骤:首先,由风电场集群超短期预测结果推导年际预测误差特征;其次,建立负荷峰值与谷值时段的误差校正区间,计算相应校正系数,并分析不同校正半径对最终结果的影响;最后,通过中国东北三省风电场集群的实证分析进行验证。结果表明,该方法不仅提高风电预测精度,还显著减少有害误差日数,从而更好满足电力系统调度运行要求。
研究背景与立项依据:风电因风资源随机性与波动性导致出力不稳定,电力系统调度侧需依赖超短期预测(输出15分钟至4小时、1至16步功率值)安排火电等备用。现有误差校正多聚焦风速、气象要素、时序演化或功率分解,未考虑负荷峰谷规律与调度侧需求,导致校正后结果未必利于电网稳定。负荷曲线具日相关性与季节性,单日通常含两个峰值时段与两个谷值时段;峰值时段若预测值偏高(负误差)将挤压备用容量,谷值时段若预测值偏低(正误差)会引发弃风与功率失衡。因此,面向负荷峰谷的有害误差抑制成为亟待解决的问题。该文发表于《CSEE Journal of Power and Energy Systems》。
主要关键技术方法:研究人员采用多区间采样时间序列预测,结合加权一秩局部区域法(weighted one-rank local-region method)生成风电场集群超短期预测值;以中国东北三省2016年数据为训练集,2017至2019年15分钟分辨率风电与负荷数据为测试集;按历史负荷出现频次锁定谷值时刻I(约3:00)、谷值II(约12:30)、峰值I(约10:45)、峰值II(约16:45),划分四个峰谷时段;定义以峰/谷时刻为中心、半径r(单位(15 min)?1)的校正区间,取历史同期实测与预测功率比值的均值作校正系数k(公式k=1/(2nr)·Σ(Pi/P?i)),仅对峰时段负误差、谷时段正误差执行乘法校正;以RMSE(RMSE)与MAE(MAE)评估,并以“有害误差日数”衡量调度风险。
研究结果
SECTION I 引言:综述时序外推、AI、NWP物理模型、SVM、LSTM、CEEMD、VMD等既有校正路径,指出其缺失负荷侧视角;提出本文四点贡献——引入负荷峰谷统计、定义有害误差年际分布、提出校正半径与区间概念、兼顾精度与有害误差日削减。
SECTION II 负荷峰谷特征分析:论证峰时段负误差与谷时段正误差为有害误差;给出东北三省2017年负荷曲线,确认双峰双谷结构及代表时刻。
SECTION III 风电预测方法:阐述多区间采样单步递推框架与加权一秩局部区域法(相空间轨迹最近邻拟合下一时刻)。
SECTION IV 预测误差校正方法:定义校正区间长度2r;用区间平均误差Error=1/n·Σ(Pi?P?i)判定峰谷时段误差极性;给出校正系数k算式;校正流程为“预测→建年际误差分布→定校正区间→算同期校正系数→峰谷段乘k”。
SECTION V 校正方法验证:BP、ELM、RF、BiLSTM与加权一秩局部区域法对比中,后者三年平均RMSE/MAE最低且训练时长短;年际统计显示峰时段负误差日近2/3年、谷时段正误差日近1/2年;按月与半月差分定位需校正窗口(如1—4月及11—12月谷段、5—10月峰段);取r=3即区间1.5h,谷段k>1、峰段k<1;校正后峰谷段RMSE与MAE下降,有害误差日数显著缩减(2017减76天、2018减122天、2019减126天);r由0增至6时误差改善量逐年波动上升,但有害误差日削减对r不单调敏感;2019谷段弃风损失面积随r增大而降低。
SECTION VI 结论:多区间采样加权一秩局部区域法优于传统多输出;r=3时峰段预测值下调、谷段上调,精度与有害误差日数同步改善(2019年RMSE略升但有害日大减);校正半径增大可提升误差修正量但不保证有害日更少;该法最大年减有害误差126天,弃风损失随半径扩大而降,增强调度适应性。
讨论与结论翻译:本研究提出一种融合负荷峰谷特性的风电场集群超短期预测误差校正方法,以响应电力系统调度需求并提升关键负荷时段供电可靠性。关键发现如下:(1)基于加权一秩局部区域法的多区间采样模式误差低于传统多输出模式;取适中校正半径r=3(15 min)?1时,2017与2018年峰段预测值显著减小、谷段校正功率显著增大,各峰谷段RMSE、MAE及有害误差日数显著下降,2019年RMSE虽略升但有害误差日数较2017、2018年明显减少。(2)校正半径在0~6(15 min)?1连续变化下,随半径增大误差修正量上升(2017、2018年规律性强),但有害误差日数削减对半径不敏感,需选取适当区间兼顾二者。(3)所提方法在削减有害误差日数上最大达2017年76天、2018年122天、2019年126天,降低负荷峰谷时段风电波动对电网稳定冲击,弃风损失随校正半径扩大正相关下降,提升电力系统调度运行能力。尽管该方法显著抑制峰谷有害误差频次,全周期整体校正效果仍受限;后续将深化峰谷时段预测精度,结合误差类型诊断策略避免误校正,提高峰谷段功率预测可靠性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号