基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

计及源/网不确定性的区域电网有功不平衡度评估

区域电网互联可提高供电可靠性和新能源消纳能力,现有调度研究多关注全网功率平衡和联络线功率优化,忽略区域有功平衡能力。评估区域有功不平衡度,需要考虑长期运行中的不确定性因素,不能基于单个时间断面。计及风/光出力不确定性和电网随机故障,提出区域有功不平衡度指标和评估算法。首先改进K-means算法聚类风光出力场景。其次定义描述区域不平衡度的两个指标：电力不平衡度和供电能力不平衡度。考虑源/网不确定性,采用状态枚举和概率加权方法计算上述指标。将不平衡度指标分别纳入目标函数和约束条件,提出计及不平衡度的发电再调度模型。最后建立目标函数对不平衡度约束的灵敏度模型,估计放宽不平衡度约束对优化目标的影响。结果表明：所提算法以切负荷量增加为代价,可减小区域电网有功不平衡度。在不同出力/故障场景下,各区域综合不平衡度变化趋势基本一致。放松电力不平衡度约束,可减小综合优化目标。