本书系统介绍了大规模风电并网运行有功功率预测理论和方法，以期降低大规模风电并网所造成的不利影响，为电力系统运行与控制提供可靠的决策参考。全书共14章，主要内容包括：绪论、风电功率预测的基本数学理论、风电功率预测的数据基础、风电场的风速-风电功率曲线建模方法、大规模风电功率预测的时空相关性理论、大规模风电功率的时空变化规律、时空相关性的风电场功率双向预测方法、考虑空间相关性约束的风电集群功率稀疏超短期预测方法、时空相关性神经网络的风电集群功率超短期预测方法、风电集群有功功率升尺度预测方法、风电功率组合预测理论、考虑波动过程的短期风电功率组合预测、自适应指数动态优选的风电功率短期组合预测模型、风电功率预测误差分层分析方法。
更多科学出版社服务，请扫码获取。
国家自然科学基金研究项目，“基于时空间相关性的风电集群功率预测的主动控制策略研究”，编号51977213
目录
序一
序二
前言
第1章 绪论 1
1.1 风电功率预测的基本概念 1
1.2 预测方法的分类 2
1.2.1 按时空尺度划分 2
1.2.2 按预测模型划分 3
1.2.3 按预测结果呈现形式划分 5
1.3 预测在电力能源系统中的应用 5
1.4 问题与挑战 7
参考文献 9
第2章 风电功率预测的基本数学理论 11
2.1 风电功率预测的概率与统计理论基础 11
2.1.1 风电功率概率模型及参数估计 11
2.1.2 预测不确定性的概率分布模型 12
2.1.3 风电功率预测的统计分析基础 16
2.2 风电功率预测时间序列分析理论基础 17
2.2.1 时间序列的自相关函数与频谱 18
2.2.2 风电功率非平稳时间序列模型 20
2.2.3 风电功率时间序列模型的参数估计方法 21
2.3 风电功率预测的机器学习理论基础 24
2.3.1 机器学习预测模型的分类与特点 24
2.3.2 风电功率预测的机器学习回归模型 25
2.3.3 大规模风电功率的数据挖掘方法 27
参考文献 29
第3章 风电功率预测的数据基础 30
3.1 数据基础对于风电功率预测的意义 30
3.2 风电功率预测基础数据的类型及用途 30
3.2.1 气象及功率实测数据 30
3.2.2 数值天气预报数据 31
3.2.3 空间分布和地理地形数据 31
3.2.4 不同时空尺度风电功率预测的数据需求 32
3.3 风电功率预测中数据的常见问题 33
3.3.1 异常数据的成因 33
3.3.2 异常数据的分类 36
3.3.3 异常数据的特征 37
3.4 异常数据的识别、剔除和重构方法 37
3.4.1 异常数据的识别与剔除方法 37
3.4.2 异常与缺失数据的重构方法 44
3.4.3 异常数据识别和剔除的算例分析 49
3.4.4 异常与缺失数据重构的算例分析 63
参考文献 66
第4章 风电场的风速-风电功率曲线建模方法 67
4.1 风速-风电功率的转换关系 67
4.1.1 风力发电机的风速-风电功率曲线 67
4.1.2 风电场的风速-风电功率曲线 68
4.2 风速-风电功率曲线的建模方法 68
4.2.1 风速-风电功率曲线的区间分段法 69
4.2.2 风速-风电功率曲线的统计拟合方法 71
4.2.3 风速-风电功率曲线的机器学习建模方法 72
4.3 风电有向功率输出特性分析及建模方法 72
4.3.1 风向对功率输出特性的影响 73
4.3.2 风向扇区数量的影响及确定方法 74
4.3.3 有向功率曲线的构建方法 76
第5章 大规模风电功率预测的时空相关性理论 80
5.1 基于时空相关性的物理预测方法 80
5.1.1 风电场空间位置排布的有限体积法 80
5.1.2 风电场空间相关的多尾流模型 80
5.2 基于时空相关性的多元统计模型 82
5.2.1 预测模型样本的互相关系数计算 82
5.2.2 功率谱密度函数的周期相关性分析 86
5.2.3 马尔可夫链不确定性空间建模 89
5.3 基于深度学习理论的时空相关性建模方法 92
5.3.1 采用循环神经网络的时间相关性学习 92
5.3.2 采用卷积神经网络的空间相关性学习 94
5.3.3 采用图卷积神经网络的时空相关性学习 95
参考文献 97
第6章 大规模风电功率的时空变化规律 98
6.1 区域风能资源评估基础 98
6.1.1 风能资源评估的基本原理 98
6.1.2 区域风能潜力的代表年变化趋势评估 101
6.1.3 区域风能潜力的空间关联性评估 102
6.2 风电功率的时序变化特性 107
6.2.1 风电功率时序特性的量化指标 107
6.2.2 风电功率的中长期特性 108
6.2.3 风电功率的短期特性 109
6.3 风电功率的空间变化规律 112
6.3.1 风电功率空间相关性分析及量化指标 112
6.3.2 风电功率空间插值方法 117
6.3.3 风电功率空间聚类 122
6.4 风电功率的时空变化规律 123
6.4.1 风电功率时空变化的统计规律 124
6.4.2 风电功率时空变化与地理分布的关系 125
参考文献 128
第7章 时空相关性的风电场功率双向预测方法 129
7.1 正向和反向时间相关性理论分析 129
7.1.1 时间序列的基本概念和特征 129
7.1.2 典型风电功率时间序列预测模型 133
7.1.3 时间序列的反向时间相关性理论分析 138
7.2 风电功率双向预测机制和模型 140
7.2.1 极限学习机正向预测原理 140
7.2.2 风电功率的反向预测原理 143
7.2.3 反向预测的优化算法 145
7.2.4 风电功率的双向预测机制 146
7.3 算例分析 147
7.3.1 误差综合评价指标 147
7.3.2 双向时序的统计特性验证 150
7.3.3 预测模型的参数优化 153
7.3.4 结果分析与讨论 155
参考文献 162
第8章 考虑空间相关性约束的风电集群功率稀疏超短期预测方法 163
8.1 空间相关性的多元统计表征和稀疏化建模理论 163
8.1.1 多元统计表征 163
8.1.2 多元时间序列模型的稀疏化原理 167
8.1.3 稀疏化模型的求解算法 170
8.2 空间相关性稀疏约束的风电功率预测方法 173
8.2.1 稀疏结构与稀疏控制 173
8.2.2 稀疏控制的风电功率时空预测方法 175
8.2.3 相关性约束的风电功率时空预测方法 178
8.2.4 稀疏控制模型的分解求解 181
8.3 算例分析 182
8.3.1 参照模型 182
8.3.2 评价指标和试验数据 183
8.3.3 模型参数分析与优化 186
8.3.4 结果分析与讨论 191
参考文献 201
第9章 时空相关性神经网络的风电集群功率超短期预测方法 202
9.1 神经网络用于气象-风电时空特征提取的基本原理 202
9.1.1 深度可分离卷积的一次时空特征提取 202
9.1.2 注意力机制的二次强化时空特征提取 205
9.2 基于时空相关神经网络的风电集群功率超短期预测 209
9.2.1 超短期风电功率预测模型工作流程 210
9.2.2 风电功率预测评价指标 211
9.3 算例分析 212
9.3.1 模型的参数分析与优化 212
9.3.2 大规模风电功率的单步超短期预测 213
9.3.3 大规模风电功率的多步超短期预测 216
参考文献 219
第10章 风电集群有功功率升尺度预测方法 220
10.1 升尺度预测的基本概念和理论 220
10.1.1 升尺度预测的基本概念 220
10.1.2 升尺度预测的基本理论 221
10.2 空间相关性和平滑效应分析 225
10.2.1 风电场相关性与风电场分布的关系 227
10.2.2 集群空间平滑效应与风电场分布的关系 230
10.2.3 集群空间平滑效应与空间相关性的关系 234
10.3 风电集群功率预测的NWP特征集选取策略 237
10.3.1 互信息计算方法 237
10.3.2 NWP特征集选取策略 239
10.3.3 特征选取策略 240
10.4 算例分析 241
10.4.1 数据和误差指标 241
10.4.2 最优NWP特征集的选取过程 242
10.4.3 最优NWP特征集的有效性验证 246
参考文献 250
第11章 风电功率组合预测理论 251
11.1 风电功率组合预测的意义 251
11.2 风电功率组合预测的分类 252
11.2.1 多步骤组合预测方法 252
11.2.2 定权重组合预测方法 256
11.2.3 变权重组合预测方法 260
11.3 风电功率组合预测建模方法 262
11.3.1 预测误差平方和倒数方法 262
11.3.2 二项式系数法 263
11.3.3 组合模型权系数确定方法 264
11.4 风电功率组合预测的有效性评价 266
11.4.1 风电功率组合预测有效性的概念和分类 266
11.4.2 组合预测有效度的一般数学表达式 268
11.4.3 组合预测有效度的冗余信息判定 269
参考文献 270
第12章 考虑波动过程的短期风电功率组合预测 272
12.1 引言 272
12.2 气象特征因素选取方法 272
12.2.1 传统的气象特征因素选取方法 272
12.2.2 最大相关-最小冗余的气象特征因素选取 276
12.3 考虑波动过程关联的组合预测 278
12.3.1 波动过程划分方法及其关联性分析 278
12.3.2 物理+人工智能的短期功率组合预测 288
12.4 算例分析 291
12.4.1 气象特征因素选取 291
12.4.2 考虑波动过程关联的组合预测 294
12.5 本章小结 297
参考文献 298
第13章 自适应指数动态优选的风电功率短期组合预测模型 300
13.1 风电功率定权重组合预测方法 300
13.1.1 单体预测模型及其局限性 301
13.1.2 时变协方差优选组合预测 302
13.1.3 递归最小二乘组合预测 303
13.1.4 多层感知器网络组合预测 305
13.2 可变向量遗忘因子加权组合预测 306
13.3 权重动态变化的风电功率短期组合预测方法 306
13.3.1 基于Cook距离的自适应向量遗忘因子 308
13.3.2 自适应指数动态优选组合预测 310
参考文献 313
第14章 风电功率预测误差分层分析方法 315
14.1 预测误差数值特性分层分析 315
14.1.1 广义误差分布模型及其改进 315
14.1.2 模型参数估计及精度评价指标 317
14.1.3 风电功率预测误差分层 317
14.2 风电功率预测误差的波动性分析 318
14.3 风电功率预测误差的分层补偿 320
14.3.1 误差预测值在单侧层内波动 320
14.3.2 误差预测值在层间波动 320
14.4 算例分析 321
14.4.1 数据处理 321
14.4.2 风电功率预测误差概率密度拟合 322
14.4.3 风电功率预测误差分层 324
14.4.4 预测误差分层分析和补偿结果 325
参考文献 326
书单推荐
