風光新能源發(fā)電先進預測技術 楊明 于一瀟 李夢林
定 價:79 元
叢書名:機械工業(yè)出版社高水平學術著作出版基金項目中國能源革命與先進技術叢書
- 作者:楊明于一瀟李夢林
- 出版時間:2024/1/1
- ISBN:9787111742319
- 出 版 社:機械工業(yè)出版社
- 中圖法分類:TM614
- 頁碼:
- 紙張:膠版紙
- 版次:
- 開本:16開
風光發(fā)電受氣象資源影響顯著,具有顯著的隨機性與波動性,大規(guī)模、高比例并網對電力系統(tǒng)安全經濟運行造成挑戰(zhàn),提升預測精度可有效緩解風光發(fā)電不確定性的負面影響,對于促進風光并網消納、提升風光供電保障能力具有積極意義。另一方面,我國正穩(wěn)步推進電力市場化改革進程,風光場站作為市場主體,其發(fā)電功率預測準確性將直接關乎場站的考核與市場收益。因此,如何充分利用數值天氣預報信息,分析不同時空尺度下風光出力特性,利用先進模型與算法,準確預測風光發(fā)電功率,量化評估預測結果的不確定性,是電網調度、風光場站以及預測服務提供商持續(xù)關注的重點問題。
本書的主題是對風電、光伏新能源發(fā)電的發(fā)電量進行預測。主要內容包括風光新能源發(fā)電預測背景、風光新能源發(fā)電預測基礎、風電功率單值預測、光伏功率單值預測、風光新能源發(fā)電概率預測、風光新能源發(fā)電組合預測和風光新能源發(fā)電爬坡事件預測等。本書的研究成果是對作者團隊研究成果的系統(tǒng)性總結,形成了完備的風光新能源功率預測體系,能夠代表當前風光功率預測先進技術和前沿方向,具有一定參考價值。
風光新能源發(fā)電預測是針對調控風光發(fā)電先天具有出力不穩(wěn)特性、改善新能源發(fā)電質量、整合電網調度方面的重要技術,也是隨著新能源發(fā)電的技術進步、裝機量增加而發(fā)展起來的新興先進技術,風光新能源發(fā)電預測方面先進技術的探索,對我國綠色能源發(fā)展戰(zhàn)略和“雙碳”目標的實現(xiàn)具有重要意義。
著作《風光新能源發(fā)電先進預測技術》由國內該領域的ding級專家撰寫,是作者及其科研團隊在近年參與多項國家重點研發(fā)計劃項目的結論的結晶。特別是通過時間尺度、空間尺度和不同預測形式的角度,結合前沿的大數據技術及人工智能技術,創(chuàng)新性地提出了精準性更高的預測方法,具有極高的學術價值和社會價值。
前 言
在“雙碳”目標驅使下,我國風光新能源發(fā)電裝機容量持續(xù)提升。風光發(fā)電受氣象資源影響顯著,具有顯著的隨機性與波動性,大規(guī)模、高比例并網對電力系統(tǒng)安全經濟運行造成挑戰(zhàn),提升預測精度可有效緩解風光發(fā)電不確定性的負面影響,對于促進風光并網消納、提升風光供電保障能力具有積極意義。另一方面,我國正穩(wěn)步推進電力市場化改革進程,風光場站作為市場主體,其發(fā)電功率預測準確性將直接關乎場站的市場收益與考核懲罰。因此,如何充分利用數值天氣預報信息,分析不同時空尺度下風光出力特性,利用先進模型與算法,準確預測風光發(fā)電功率,量化評估預測結果的不確定性,是電網調度、風光場站以及預測服務提供商持續(xù)關注的重點問題。
在上述背景下,山東大學電力系統(tǒng)經濟運行團隊以多時空尺度風光發(fā)電預測精度提升為目標,自2009年開始持續(xù)開展深入研究,針對超短期、短期等不同時間尺度,場站、集群、分布式等不同空間尺度,單值、概率、爬坡事件等不同預測形式,提出了系列預測方法,基本涵蓋了風光發(fā)電功率預測所涉及的熱點問題。與此同時,團隊自主研發(fā)了風光功率預測產品,實現(xiàn)了科研成果的產業(yè)轉化與推廣應用,積累了充足的工程經驗。本書是對團隊10余年研究成果的系統(tǒng)性總結,具有一定參考價值,既可以作為相關科研人員與工程人員的參考書目,也可以作為研究生的教材使用。
本書結構按照由淺入深,逐步開展的原則設計。書的第一章介紹了國內外風光發(fā)電的發(fā)展現(xiàn)狀,進一步引出了國內外風光發(fā)電功率預測方法以及系統(tǒng)的發(fā)展歷程,在此基礎上總結了風光新能源發(fā)電對于電力系統(tǒng)以及電力市場的重要性;第二章介紹了風光新能源發(fā)電預測的相關理論基礎,包括面向風光發(fā)電預測的電力數值氣象預報技術、風光發(fā)電預測分類方法、風光發(fā)電預測基礎模型以及風光發(fā)電預測評價體系;第三章從風力發(fā)電特性分析出發(fā),分別針對超短期、短期時間尺度以及集群空間尺度的特點介紹了相應的風電功率單值預測模型,通過算例對比研究證實了所提模型的有效性與精準性;第四章從光伏發(fā)電特性分析出發(fā),分別針對超短期、短期時間尺度以及分布式空間尺度的特點介紹了相應的光伏功率單值預測模型,并利用實際場站數據進行模型性能驗證研究;第五章在單值預測的基礎上進一步深入探討風光發(fā)電功率概率預測,介紹了參數化概率模型(稀疏貝葉斯學習)和非參數化概率模型(分位數回歸、D-S證據理論、核密度估計)并進行算例分析驗證;第六章重點探討了多模型組合預測在風光功率單值和概率預測中的應用,以克服單一預測模型環(huán)境適應能力較弱的缺陷,提升預測精準度和魯棒性;第七章介紹了風光發(fā)電爬坡事件的定義,針對爬坡事件的小樣本問題,提出了非精確概率區(qū)間預測方法。
本書是團隊研究成果的總結,在此感謝直接參與此項研究的于一瀟博士、李夢林博士、王傳琦博士,以及所有參與到此項研究工作中的碩士研究生。此外,還要衷心感謝在研究過程中給予指導的韓學山教授、參與討論的課題組其他老師,以及長期保持密切合作與溝通的中國電科院新能源所的各位專家。本書涉及研究內容獲得了國家重點研發(fā)計劃項目“促進可再生能源消納的風電/光伏發(fā)電功率預測技術及應用”(2018YFB0904202)、國家重點研發(fā)計劃項目“大規(guī)模風電/光伏多時間尺度供電能力預測技術”(2022YFB2403003)、國家重點研發(fā)計劃政府間國際科技創(chuàng)新合作項目“基于多元柔性挖掘的主動配電網協(xié)同運行關鍵技術與仿真平臺研究”(2019YFE0118400)、國家自然科學基金聯(lián)合基金項目“基于靈活性挖掘的區(qū)域能源互聯(lián)網協(xié)同運行關鍵技術與仿真平臺研究”(U2166208)的資助,也一并表示感謝。
本書內容體現(xiàn)的研究成果是階段性的,由于作者水平有限,難免存在缺陷與不足,懇請讀者給予批評和指正。
楊明 山東大學電氣工程學院副院長、教授、博士生導師,山東省優(yōu)秀科技工作者,全球前2%ding尖科學家,國家一流課程負責人;長期從事風光新能源功率預測理論研究,擔任《電力系統(tǒng)自動化》“新能源電力系統(tǒng)預測技術及其應用”專輯特約主編、《高電壓技術》“促進可再生能源消納的發(fā)電功率預測技術及應用”專輯特邀主編,以及IEEE Transactions on Power Systems、IEEE Transactions on Industry Applications等期刊副編輯;主持多項與新能源發(fā)電功率預測相關的國家級、省部級縱向項目,包括國家重點研發(fā)計劃“大規(guī)模風電/光伏多時間尺度供電能力預測技術—極端與轉折性天氣下風電/光伏功率爬坡及供電能力不足風險預測技術”、國家自然科學基金項目“短期負荷預測自適應動態(tài)建模理論與方法研究”、國家重點研發(fā)計劃項目“促進可再生能源消納的風電/光伏發(fā)電功率預測技術及應用—多空間尺度風電/光伏短期功率預測及概率預測技術”、山東省重點研發(fā)計劃項目“數據驅動的風電預報系統(tǒng)關鍵技術研究”等。
前言
第1章 風光新能源發(fā)電預測背景
1.1 風光新能源發(fā)展現(xiàn)狀
1.1.1 風電發(fā)展現(xiàn)狀
1.1.2 光伏發(fā)展現(xiàn)狀
1.2 風光新能源發(fā)電預測系統(tǒng)發(fā)展歷程
1.2.1 風電預測系統(tǒng)發(fā)展歷程
1.2.2 光伏發(fā)電功率預測系統(tǒng)發(fā)展歷程
1.3 風光新能源發(fā)電預測意義
1.2.3 新能源發(fā)電預測對電力系統(tǒng)安全經濟運行的意義
1.2.4 新能源發(fā)電預測對電力市場高效運行的意義
第2章 風光新能源發(fā)電預測基礎
2.1 數值天氣預報技術
2.1.1 概述
2.2.2 全球尺度數值氣象模式
2.2.3中尺度數值氣象模式
2.2.4 面向風光新能源發(fā)電預測的電力氣象預報
2.2 風光新能源發(fā)電預測分類
2.2.1 時間尺度分類
2.2.2 空間尺度分類
2.2.3 預測模型分類
2.2.4 預測形式分類
2.3 風光新能源發(fā)電預測基礎模型
2.3.1 物理模型
2.3.2 統(tǒng)計模型
2.3.3 機器學習與人工智能模型
2.4 風光新能源發(fā)電預測評價體系
2.4.1 單值預測評價
2.4.2 概率預測評價
2.4.2 事件預測評價
2.4.4 考核要求
第3章 風電功率單值預測
3.1 風力發(fā)電特性分析
3.1.1 氣象相依特性
3.1.2 時序波動特性
3.2 風電場功率超短期預測
3.2.1 概述
3.2.2 基本算法原理
3.2.3 基于多變量EDM的風電功率單值預測
3.2.4 算例分析
3.3 風電場功率短期預測
3.3.1 概述
3.3.2 基于減法聚類和GK模糊聚類算法的氣象條件分類方法
3.3.3 基于氣象分類和XGBoost的短期風電場功率預測
3.3.4 算例分析
3.4 集群風電場功率預測
3.4.1 概述
3.4.2 時空特征深度挖掘的集群風電功率預測模型
3.4.3 算例分析
第4章 光伏功率單值預測
4.1 光伏發(fā)電特性分析
4.1.1 氣象相依特性
4.1.2 時序波動特性
4.2 光伏功率超短期預測
4.2.1 概述
4.2.2 多時間尺度云團移動預測
4.2.3 考慮云遮擋的光伏功率超短期預測
4.2.4 算例分析
4.3 光伏功率短期預測
4.3.1 概述
4.3.2 基于高斯相似度的相似日檢索方法
4.3.3 基于相似日檢索與Light-GBM的光伏功率預測模型
4.3.4 算例分析
4.4. 分布式光伏功率預測
4.4.1 概述
4.4.2 基于小波包算法的分布式光伏功率序列分解
4.4.3 分布式光伏平穩(wěn)序列與波動序列插值過程
4.4.4 算例分析
第5章 風光新能源發(fā)電概率預測
5.1 稀疏貝葉斯學習
5.1.1 概述
5.1.2 SBL原理
5.1.3 基于SBL的新能源功率概率預測——以風電為例
5.1.4 算例分析——以風電為例
5.2 分位數回歸
5.2.1 概述
5.2.2 基于非線性分位數回歸的新能源發(fā)電功率概率預測模型
5.2.3 算例分析——以風電為例
5.3 D-S證據理論
5.3.1 概述
5.3.2 誤差條件概率預測
5.3.3 D-S證據理論整合概率分布
5.3.4 算例分析——以風電為例
5.4 核密度估計
5.4.1 概述
5.4.2 基于KDE的新能源發(fā)電功率概率預測模型
5.4.3 算例分析——以光伏為例
第6章 風光新能源發(fā)電組合預測
6.1 單值預測組合模型
6.1.1 概述
6.1.2 自適應增強集成模型原理
6.1.3 基于自適應增強的單值集成組合預測
6.1.4 算例分析—以光伏功率預測為例
6.2 概率預測組合模型
6.2.1 概述
6.2.2 擴展BMA模型原理
6.2.3 組合非參數概率預測—以風電為例
6.2.4 算例分析—以風電功率預測為例
第7章 風光新能源發(fā)電爬坡事件預測
7.1 風電爬坡事件預測
7.1.1 概述
7.1.2 風電爬坡事件定義
7.1.3 基于樸素貝葉斯網絡的爬坡事件概率預測模型
7.1.4 算例分析
7.2光伏功率爬坡事件預測
7.2.1 概述
7.2.2 考慮日周期性影響的光伏功率爬坡事件定義
7.2.3 基于信度網絡的光伏功率爬坡事件預測
7.2.4 算例分析
參考文獻