风电预测及微电网优化调度

在当前全球气候变暖的背景下，传统化石燃料所引发的环境问题日趋严重，发展可再生能源在世界范围内获得了广泛共识。风能作为一种绿色能源，因其清洁、可再生等特点而受到各国的青睐，已成为新能源领域的开发重点。但风能的开发易受到地理环境和气象等因素的影响，尤其是风能（风速）具有波动性大和随机性强等特点，使得风机输出的电能也具有波动幅度大、间歇性和随机性强等特点，导致风电难以准确预测，这给相关电力系统的安全运行和电能质量管理都带来了巨大挑战。
风电预测是风电并网利用的第一步，可为后续电网调度、机组组合及风电场运行管理提供依据。不论是主电网、配电网还是微电网，风电并网均需要经过风电预测、风机机组控制和电能调度，才能更好地实现风电价值。如未接入风电时，电力系统依据日负荷曲线实施电力系统运行调度计划；而当大规模接纳风电时，风电的随机性和间歇性等特性会影响电力系统的稳定性。面对诸多影响因素，为了充分利用风电能源，提高电力系统运行稳定性，降低电力运行成本和减小环境污染，除了需要加强风电场储能容量、电力系统调峰容量、电网结构及传输能力建设外，还需要从以下两个方面采取措施：（1）建立风电功率确定性预测模型，提高风电短期预测精度，同时，也需要考虑风电不确定性，减少风电随机波动性的不利影响；（2）建立风电不确定性的微电网能源优化调度模型，提高电力系统在风电利用环节中对风电不确定的适应能力。
在上述需求和挑战的背景下，本书围绕风电功率预测建模以及基于风电不确定性预测的微电网优化调度策略进行一系列研究。相关成果有助于丰富风电预测建模和微电网优化调度决策理论体系，并为风电新能源发电领域提供有益的参考。
本书共九章，第1章为绪论；第2章将多核函数的思想引入LSSVM建模中，提出了基于径向基核函数（RBF）、线性信号捕捉能力强的线性核函数（Linear）及善于全局特性信号捕捉的多项式核函数（Poly）构成的多核函数的MKLSSVM建模方法，用于风速预测建模；采用小波包技术分解样本风速数据，降低风速数据的非稳定性，并提出改进型量子粒子群优化算法CGDQPSO优化MKLSSVM的核参数以增强MKLSSVM的预测性能。第3章利用聚类经验模态分解方法分解风速样本数据，得到不同频率的本征模态函数，应用PACF计算各本征模态函数的相关性，重构LSSVM输入矩阵，运用混合重力搜索算法（HGSA）识别输入矩阵中的有效分量和优化选择LSSVM的参数，将各本征模态函数的预测结果累加，从而得到所提模型最终的风速预测结果。第4章利用极限学习机进行短期风速预测时，应用粒子群重力搜索组合算法优化选取输入层权重系数和偏置参数，通过小波包分解技术将风速样本数据分解成相对平稳的分量，从而降低极限学习机的回归训练难度，提高风速预测精度。第5章通过小波神经网络（WNN）对各风速时间序列建模并进行预测，得到的风速预测结果经过风机的风速-功率曲线转换得到风电场输出风电的预测值。对于风速数据中存在数据冗余、数据噪声及数据异常等，应用二进制回溯搜索优化算法识别有效的风速分量，构建小波神经网络WNN的风速预测模型；使用实数回溯搜索优化算法优化选择WNN的输入权重和输出权重系数，提高风速预测模型的预测精度。第6章提出了基于EEMD和VMD的两阶分解的风速预处理方法，实现对原始风速数据的全面处理和分析，创新性提出了基于二进制回溯搜索优化算法和改进回溯搜索优化算法的混合回溯搜索优化算法，同时实现特征选择和参数优化。第7章建立基于风电概率预测的微电网多目标优化调度模型，对微电网系统功能进行分析，构建风电等发电装置的运行成本和污染物排放数学模型，利用改进多目标蝙蝠算法（IMOBA）优化微电网运行成本及污染物排放量，获得分布良好的帕累托前沿解（POF），利用模糊集理论从POF解集中确定最优的折中解，基于One-POF-Per-Day和One-POF-Per-Hour调度方案的多个微电网运行场景验证所建微电网优化调度模型。第8章在风电区间预测和对负荷分类的基础上，选取供电时间具有一定灵活性的可平移负荷和储能电池作为孤岛运行的调频资源，从供需平衡角度考虑，提出一种基于风电区间预测和负荷平移的孤岛微电网日前能源优化调度策略。第9章为总结与展望。
编写分工方面，孙驷洲负责第2～6章、第9章的撰写以及全书的统稿，孟樱负责第1、7、8章的撰写工作。
本书的出版得到了安徽省重点研究与开发计划项目（202004a05020014）、安徽省教育厅能源互联网工程技术中心开放资金（2021EIRC04ZD,2021EIRC09YB）和安徽工程大学国家自然资金预研项目（Xjky2022041）的支持。
由于作者水平有限，不当之处敬请广大读者批评指正。作者的电子邮箱为：sszhou12345@163.com。

作者
2023年1月

为了使读者更好地学习和掌握风速和风电预测建模原理，本书在风速时间序列分解的基础上，系统地介绍了基于机器学习等方法的风速和风电预测建模原理，并利用优化算法进行预测模型求解。本书主要基于典型的机器学习方法，如最小二乘支持向量机（LSSVM）、极限学习机（ELM）和小波神经网络（WNN）进行风速建模与预测，并利用优化算法进行参数优化和特征选择。此外，本书还介绍了风电预测建模方法在微电网优化调度中的应用。
本书可供风电场风速预测相关研究与技术人员参考，也适合作为高等院校相关专业教师和研究生了解风电预测的拓展资料。

第1章绪论 001
1.1风电预测及微电网优化调度研究的目的和意义 003
1.2相关研究现状 005
1.2.1风电预测研究现状 006
1.2.2微电网优化调度研究现状 012

第2章基于信号分解和参数优化的MKLSSVM风速预测 019
2.1概述 021
2.2基于WPD的风速数据预处理方法 021
2.2.1小波包分解基本原理 022
2.2.2风速数据归一化处理 025
2.3基于CGDQPSO-MKLSSVM的风速预测模型 026
2.3.1改进型量子粒子群CGDQPSO算法 026
2.3.2自适应加权多核最小二乘（MKLSSVM）的风速预测方法 033
2.4基于信号分解和参数优化的MKLSSVM风速预测建模 040
2.4.1风速短期预测的建模 040
2.4.2风速预测误差评价指标 041
2.5案例分析 042
2.5.1风速样本数据 042
2.5.2风速时间序列预处理 044
2.5.3单步风速预测结果及分析 047
2.5.4多步风速预测结果与分析 053
本章小结 058

第3章基于重力搜索算法优化的双核LSSVM风速预测 059
3.1概述 061
3.2聚合经验模态分解风速预处理方法 061
3.3双核最小二乘支持向量机 064
3.4混合重力搜索算法优化DKLSSVM参数和特征选择 066
3.4.1重力搜索算法的工作原理 066
3.4.2二进制重力搜索算法的基本原理 067
3.4.3特征选择和参数优化 068
3.5EEMD-HGSA-DKLSSVM风速预测模型 068
3.6实例分析 070
3.6.1风速统计性描述 070
3.6.2EEMD风速样本数据分解 071
3.6.3重构各输入空间变量 073
3.6.4参数设置 075
3.6.5各分量特征选择结果 075
3.6.6风速预测结果及比较分析 077
3.6.7与其他风速预测模型的比较与分析 084
本章小结 086

第4章基于粒子群重力搜索算法优化的ELM风速预测 089
4.1概述 091
4.2风速预测方法 091
4.2.1极限学习机工作原理 091
4.2.2基于粒子群重力搜索混合算法的特征选择和参数优化 093
4.3风速预测模型 096
4.4风速预测建模 097
4.4.1风速样本数据 097
4.4.2风速分解结果 099
4.4.3输入矩阵重构 102
4.4.4特征选择与模型参数设置 104
4.5风速预测结果及分析 105
4.5.1单步预测结果 105
4.5.2多步预测结果 112
本章小结 114

第5章基于回溯搜索算法优化的DAWNN风速短期预测 115
5.1概述 117
5.2两层风速预处理 118
5.3基于特征选择和参数优化的IHBSA-DAWNN风速预测方法 120
5.3.1加权双激励小波函数小波神经网络 120
5.3.2混合回溯搜索优化算法改进及其理论分析 122
5.3.3混合编码差异性变异回溯搜索算法的性能测试 126
5.3.4基于特征选择与参数优化的IHBSA-DAWNN风速预测方法 128
5.3.5基于TSD-IHBSA-DAWNN的风速预测 130
5.4风速预测建模 130
5.4.1风速样本数据统计性描述 130
5.4.2风速样本数据两层分解 131
5.4.3构建DAWNN的输入变量特征矩阵 134
5.4.4IHBSA-DAWNN风速预测模型 135
5.5风速预测结果、比较与分析 137
5.5.1案例1 137
5.5.2案例2 141
5.5.3案例3 142
本章小结 146

第6章多预测机风速预测组合模型 147
6.1概述 149
6.2多预测机风电预测组合模型原理 150
6.3自适应加权的风速组合预测模型 152
6.4案例分析 154
6.4.1风速数据样本 154
6.4.2风速预测结果比较和分析 154
本章小结 157

第7章基于风电概率预测的微电网能源多目标优化调度 159
7.1概述 161
7.2风电概率预测模型 162
7.2.1基于CEEMDAN的风电分解方法 162
7.2.2基于高斯过程回归的概率预测方法 163
7.2.3蝙蝠算法优化性能提升策略 165
7.2.4风电概率预测 169
7.2.5实证风电样本数据及预处理 170
7.3微电网多目标优化调度建模 172
7.3.1构建微电网多目标优化模型 172
7.3.2微电网运行的约束条件 174
7.4基于IMOBA和模糊决策的微电网多目标优化调度模型 175
7.4.1多目标优化问题 175
7.4.2改进型多目标优化蝙蝠算法及其性能评价 177
7.4.3多目标优化多属性决策 181
7.4.4基于IMOBA和模糊决策的微电网多目标优化调度模型 182
7.5案例分析 183
7.5.1以运行成本最小为目标的运行场景Ⅰ 185
7.5.2以污染物排放量最小为目标的运行场景Ⅱ 186
7.5.3以运行成本和污染物排放为优化目标的运行场景Ⅲ 187
7.5.4计算每小时Pareto最优前沿解的运行场景Ⅳ 188
7.5.5按照电池充放电特性曲线进行调度的运行场景Ⅴ 190
本章小结 192

第8章计及风电区间预测微电网系统日前优化调度 193
8.1概述 195
8.2微电网优化调度目标函数 195
8.2.1光伏发电 196
8.2.2风电发电 197
8.2.3微型汽轮机发电 197
8.2.4燃料电池发电 198
8.2.5电池储能系统 198
8.2.6目标优化函数 199
8.2.7约束条件 200
8.3风电概率区间预测 200
8.3.1改进型水循环优化算法 201
8.3.2风电确定性预测 206
8.3.3风电预测误差概率分布 207
8.3.4自适应模糊控制风电预测误差置信度 208
8.3.5风电预测误差概率区间 210
8.4基于负荷平移的需求响应 210
8.4.1需求侧负荷分类 210
8.4.2需求侧响应模型 211
8.5微电网多目标优化调度方法 214
8.5.1改进型多目标水循环优化算法 214
8.5.2基于IMOWCA的微电网调度多目标优化 217
8.6案例分析 218
8.6.1风电概率区间预测结果 220
8.6.2基于需求响应策略的负荷平移 223
8.6.3基于风电概率区间预测的微电网能源互补调度 224
本章小结 228

第9章结论与展望 229

参考文献 232