新能源發電功率預測（簡體書）

本書介紹了作者團隊近年來在風電、光伏發電功率預測技術領域的研究成果，包括出力特性、理論方法、預測模型、算例驗證與應用系統。本書研究成果可以作為電網公司和新能源發電運營商有關技術和管理人員的參考，為電力調度控制中心的運行控制和決策優化提供支撐，幫助新能源發電運營商提高場站的發電容量利用率、經濟效益和投資回報率。全書共10章，分別為新能源功率預測背景意義、預測基本問題概述、光伏發電系統出力特性分析、光伏發電功率極短期預測、光伏發電功率超短期預測、光伏發電功率短期預測、深度學習理論在光伏發電功率預測中的應用、風電功率超短期預測、風電功率短期預測以及實際預測系統。

王飛，博士，華北電力大學教授、博士生導師、“雙一流”建設科研團隊項目負責人、智慧能源網絡綜合運營研究團隊(SENIOR)負責人；美國伊利諾伊大學香檳分校訪問教授；IEEE高級會員、IEC國際標準工作組專家、四本國際著名學術期刊編輯／編委、ESI全球前1％頂級審稿專家、多個國際學術會議大會主席和程序／技術／顧問委員會委員。主要從事新能源、綜合能源、虛擬電廠研究；第1完成人獲河北省技術發明一等獎等省部級獎勵5項；發表SCI論文52篇(ESI、Scoptls高被引18篇)、EI論文83篇。

《智能電網研究與應用叢書》序

前言

第1章 新能源功率預測背景意義

1.1 新能源的發展

1.1.1 風力發電

1.1.2 光伏發電

1.2 問題與挑戰

1.3 新能源功率預測的意義

參考文獻

第2章 預測基本問題概述

2.1 新能源功率預測的基本方式

2.1.1 直接預測

2.1.2 分步預測

2.2 新能源功率預測時空尺度

2.3 功率預測方法

2.3.1 時間序列

2.3.2 人工神經網絡

2.3.3 支持向量機

2.3.4 小波變換

2.3.5 經驗模態分解

2.3.6 混沌理論與相空間重構

2.4 預測誤差評價與考核

參考文獻

第3章 光伏發電系統出力特性分析

3.1 光伏發電系統簡介

3.1.1 光伏發電的基本原理

3.1.2 光伏發電系統的結構

3.2 光伏發電系統出力特性

3.2.1 光伏發電系統的輸出特性

3.2.2 光伏發電功率影響因子相關性分析

3.2.3 光伏電站發電功率出力特性的關聯數據模型

參考文獻

第4章 光伏發電功率極短期預測

4.1 概述

4.2 基於天空圖像的光伏發電功率分鐘級預測方法

4.2.1 雲團運動對光伏發電功率的影響機理

4.2.2 光伏發電功率分鐘級預測基本技術路線

4.3 雲空辨識

4.3.1 基於最大類間方差法的雲空辨識算法

4.3.2 基於k-means 聚類的雲團辨識方法

4.4 雲團運動速度計算

4.4.1 傅裡葉相位相關理論

4.4.2 雲團運動速度計算流程

4.4.3 雲團運動速度計算結果準確性分析

4.4.4 仿真與分析

4.5 基於相移不變性的改進雲團位移計算

4.5.1 相移不變性

4.5.2 基於相移不變性的天空圖像雲團位移計算改進算法

4.5.3 仿真結果與分析

4.6 地表輻照度計算

4.6.1 地表輻照度計算流程

4.6.2 晴空地表輻照度

4.6.3 天空圖像雲遮擋特徵提取

4.6.4 BP 模型輸入變量及網絡拓撲結構選取

4.6.5 仿真與分析

4.7 本章小結

參考文獻

第5章 光伏發電功率超短期預測

5.1 概述

5.2 集合預測方法

5.3 基於小波分解的多重並行預測

5.4 多重並行預測結果的自適應時間斷面融合

5.5 算法仿真與討論

5.5.1 仿真過程設計

5.5.2 仿真結果比較

5.5.3 聯合優化過程討論

5.6 本章小結

參考文獻

第6章 光伏發電功率短期預測

6.1 概述

6.2 基於天氣狀態模式識別的光伏電站發電功率分類預測方法

6.2.1 歷史數據分組與缺失標簽恢復

6.2.2 光伏電站發電功率分類預測方法

6.3 重要氣象影響因子預測

6.3.1 輻照度神經網絡預測模型仿真

6.3.2 基於時間週期性和臨近相似性的輻照度預測值修正方法

6.3.3 光伏電池組件溫度與氣象因素相關分析及光伏電池組件溫度預測

6.4 光伏電站發電功率關聯數據映射預測

參考文獻

第7章 深度學習理論在光伏發電功率預測中的應用

7.1 深度學習模型

7.1.1 基於深度學習理論的生成模型

7.1.2 卷積神經網絡

7.1.3 循環神經網絡

7.1.4 長短期記憶網絡

7.1.5 雙向長短期記憶網絡

7.2 基於深度學習理論的天氣狀態模式識別模型

7.2.1 仿真數據與仿真平臺

7.2.2 深度學習模型結構和超參數

7.2.3 生成樣本質量評估

7.2.4 不同模型準確率對比

7.3 基於天氣狀態分類和深度學習理論的輻照度預測模型

7.3.1 預測模型的組成

7.3.2 仿真算例

7.4 本章小結

參考文獻

第8章 風電功率超短期預測

8.1 概述

8.2 基於模糊粗糙集理論的風電功率預測方法

8.2.1 基於模糊粗糙集與改進聚類的神經網絡風速預測模型

8.2.2 模型仿真實例與結果分析

8.3 基於混沌理論的風電功率預測方法

8.3.1 基於混沌分析和RBF(C-RBF)的功率預測模型

8.3.2 模型仿真實例與結果分析

8.4 基於EMD 的風電功率預測方法

8.4.1 基於EMD-ARMA 的風電功率預測模型

8.4.2 基於EMD-RBF 的風電功率預測模型

8.4.3 模型仿真實例與結果分析

8.5 考慮時空信息的風電功率預測方法

8.5.1 風速時空相關性分析

8.5.2 STCP-BP 組合的時空相關性預測模型

8.5.3 模型仿真實例與結果分析

參考文獻

第9章 風電功率短期預測

9.1 概述

9.2 基於NWP 的短期風力發電功率預測方法

9.2.1 NWP 信息與風力發電功率的關係

9.2.2 基於NWP 的神經網絡風電功率預測

9.2.3 模型仿真實例及結果分析

9.3 風力發電功率的概率預測方法

9.3.1 風力發電功率預測誤差概率分佈特性分析

9.3.2 貝塔分佈模型及模型的優化

9.3.3 模型仿真實例及結果分析

參考文獻

第10章 實際預測系統

10.1 光伏功率預測系統

10.1.1 概述

10.1.2 數據的採集和處理

10.1.3 系統的架構設計

10.1.4 系統拓撲與數據交換方式

10.1.5 功能設置與界面展示

10.1.6 小結

10.2 風電功率預測系統

10.2.1 概述

10.2.2 需求分析

10.2.3 構架設計

10.2.4 系統實現

10.2.5 系統應用

10.2.6 小結

參考文獻