新型电力系统新能源发电智能预测系统设计与实现

(整期优先)网络出版时间:2023-07-29
/ 2

新型电力系统新能源发电智能预测系统设计与实现

孔祥明

临沂电力学校

摘要:传统发电技术对煤炭、石油等不可再生资源的依赖程度过高,同时发电产生的污染较大。随着我国经济的不断发展,能源的需求越来越大,亟须寻找更加安全、可靠的发电技术,弥补现有能源缺口,降低对传统发电技术的依赖,并且有效改善人们的生存环境。围绕“碳达峰、碳中和”目标,应加快新能源并网消纳等主动支撑技术研究应用。新能源消纳涉及电力系统发、输、配、用多个环节,尤其是风力发电、光伏发电对气象条件十分敏感,实现新能源高效消纳,需要电力气象创新技术驱动.短期预测可以用于优化旋转备用容量以及电力系统实时调度的能力,满足电力系统发电与用电的实时平衡。调度部门需要根据超短期的预测结果,实时调整发电计划并优化备用,满足最佳的经济性要求。在电力市场环境中,风光功率预测的作用越来越重要,预测精度的高低不仅会对电力系统安全稳定性造成影响,还会影响所有市场参与者的经济收益。

关键词:新型电力系统新能源智能预测系统;;

引言

“碳达峰”、“碳中和”国家战略的贯彻落实,促进了新能源行业的高速发展。新能源的就地开发,能够减少对传统火力发电的使用,并降低对环境的污染危害。但新能源发电受自然条件等因素的影响较大,存在明显的波动性和随机性。因此如何对新能源及负荷进行准确预测,并维持电力系统的稳定性、保障用户的用电需求具有重要的研究意义。传统负荷预测通常采用经典数学模型,形成回归分析、时间序列等多种经典预测算法。随着人工智能算法的兴起,在负荷预测领域采用此类算法的研究也越来越多。但随着数字电网的建设发展,对负荷预测的准确度也提出了更高的要求。基于此,该文开展了人工智能算法在短期电网负荷预测与新能源调度中的应用研究。

1新能源发电智能预测技术评价

新能源包括风能、太阳能、地热能、潮汐能等,我国目前常用的新能源发电主要是风力和光伏两种形式。随着风电、光伏等新能源装机占比不断提高,其输出功率的不确定性带来了一系列调度运行问题。对风电、光伏输出功率进行准确预测是降低不确定影响的有效手段。新能源发电智能预测系统由一套新能源发电预测终端和一套软件管理平台组成,该系统基于电力气象预测平台下开发的新能源智能预测系统,可以接收新能源发电站的气象信息和电网设备运行状态信息,通过计算机系统分析处理,生成短期、超短期功率预测数据文件及调度部门要求的其他指标文件,并自动上传相应数据文件至上级调度部门,协助进行发电规划。此外,风电和光伏发电智能预测主要用于电力计划和电力市场两个方面,用于制定年度电量计划和检修计划,重点关注风电、光伏发电量情况,电网部门根据中长期预测结果并结合负荷预测结果,制定风电、光伏的年度用电计划和电网检修计划。中长期预测需要定期对数据进行调整和更新。短期预测用于安排常规电源机组组合以及制定发电计划。

2新能源发电智能预测系统的关键技术

2.1多尺度特征增强模块

单一的特征提取操作无法充分感受电力负荷数据在不同时间尺度上的隐含信息。传统卷积神经网络每一层使用一个尺寸的卷积核,以获得不同尺寸的负荷特征信息,增强模型泛化能力。然而,对于较长时间规模的序列,一味地增加网络深度会使计算量大大增加并且容易造成网络过拟合。因此,本文将网络由简单地变深转向变宽,在同一层级增加通道数,每个通道使用不同尺寸卷积核的因果卷积搭建多尺度特征提取层,实现对负荷特征的多尺度提取。同时,引入高效通道注意力机制构建多尺度特征增强模块(即ECA优化的多尺度特征提取模块),增强不同尺度下重要负荷特征表达。

2.2新能源出力预测

通过以集成学习、深度学习为代表的人工智能技术,对气象及功率数据进行高效处理、特征提取及相关性模型构建,端到端获取功率预测结果,是目前人工智能处理预测的主要应用方式。提出一种基于集成学习的风电预测方法,利用人工神经网络、支持向量回归和高斯过程处理气象数据,并采用贝叶斯模型平均法获得最终预测结果;基于径向基神经网络构建多气象要素与光伏出力的直接映射关系模型,有效提升多云、雾霾天气条件下的光伏功率预报精度。

2.3短期功率预测模

风力发电和光伏发电的功率预测,需要考虑预测场站的时间尺度、空间范围、输入数据的类型以及预测模型等因素。模型输入是指风电短期功率预测模型,输入信息包括历史功率观测数据和历史气象观测数据。由于风速、风向、气温、气压、湿度各物理量与风电输出功率不同,需要通过相关性分析筛选变量,提高模型训练的速度和输出精度。模型输出指风电短期功率预测模型的输出,可以分为指定时间段的预测功率值和预测误差。模型主体指风电功率短期预测技术,主要包括物理方法、统计方法和组合方法三种类型。物理模型主要包括数据引入、风电机组轮毂高度处风向获取和风速、功率转化三个技术环节,可以利用物理因素实现对当地气象因素的最佳估计,不需要大量的测量数据,随后使用模型输出统计,来减少物理模型的预测误差。统计模型采用具体的算法来找出历史数据和相应的输出功率之间的关系。统计预测模型基于学习算法,通过建立风向历史数据与风电场历史输出功率数据之间的联系,由NWP数据对风电场输出功率进行预测。组合模型适用于复杂地形的风电场,物理方法可以通过更高分辨率的计算以及更完善的物理描述获取局部的气象信息,统计方法可以对各个风电机组的风速功率曲线进行学习。通过组合方式,应对风电机组所处置风资源的不同,并考虑风电功率曲线随时间和环境的变化,有利于提高风电功率的预测精度。

2.4短期电网负荷预测算法

1)构建BPNN模型,初始化模型的权值和阈值等参数;2)利用PSO算法对BPNN模型的权值与阈值的初始值进行编码,一个粒子代表一个权值或阈值参数;3)输入历史负荷、日属性、最高温度和最低温度等数据,并进行标准化等数据预处理;4)将BPNN模型训练得到的误差值作为当前位置的适应度值;5)更新每个粒子的最优位置与粒子种群的最优位置;6)更新每个粒子的位置与飞行速度,并计算当前位置的适应度值;7)判断是否满足PSO终止条件,若是进行下一步,否则转至步骤5);8)得到BPNN模型最优的初始权值和阈值;9)计算训练误差,并调整权值和阈值;10)判断是否满足BPNN训练终止条件,若是则输出预测结果,否则转至步骤9),直至输出预测结果。

结束语

综上所述,新能源发电所产生的间歇性和波动性是困扰电网调度的一个重要问题,需要通过有效的预测方法,减少新能源发电对电网负荷产生的扰乱,降低电网管理难度。因此,本文研究的高精度新能源短期功率预测体系,可以实现对新型电力系统新能源发电功率的精准预测,提供深度融合、易用有用、个性定制的系统功能,提供风电场、集中式光伏电站、分布式光伏一体化预测服务,为新能源电力供应的准确性和稳定性提供技术支持。

参考文献

[1]康晓凡.中基于优化支持向量回归机的充电站负荷预测研究[D].西安:西安科技大学,2019.

[2]马晓玲,张祥飞,庞清乐,等.模糊聚类-BP神经网络短期光伏发电预测模型[J].物联网技术,2021(10):69-72.

[3]魏峥,施唯佳,张铮凯.以数据驱动为核心的智慧家庭智能运营体系构建[J].电信科学,2017(10):163-169.

[4]刘升.基于时间序列的台区配电负荷峰值预测[J].电力科学与工程,2018,34(7):56-60.

[5]安颖坤,朱永丹.基于线性回归法和指数平滑法对电力负荷的预测[J].电力设备管理,2021(5):177-179.

孔祥明,19901019,男,汉,山东济宁,中级,本科,临沂电力学校,电力系统、新能源