电功率

9月23日，国网江苏电力有限公司营销服务中心自主研发的分布式光伏发电功率预测模型在宝应县成功试点应用。应用结果表明，模型对单户客户光伏发电功率预测的时间精度达到小时级，准确率可达91.3%。

为了提高光伏发电功率预测精度，根据不同天气类型下光伏输出功率特点，确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm，WPA）缺陷，对狼群游走位置和奔袭步长进行改进，得到改进狼群算法（improved wolf pack algorithm，IWPA），并通过IWPA对最小二乘支持向量机（least squares support vector machine，lSSVM）进行优化，建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真，结果表明：无论是晴天、多云还是阴雨天气，所提方法预测精度更高，回归拟合时的误差波动更小。

国家电网有限公司确立了“具有中国特色国际领先的能源互联网企业”战略目标，作为责任央企，连云港供电公司致力于为沿海岛屿提供安全、优质、经济、环保的能源。为满足海岛用电需求，公司组建联合攻关团队，攻克发展、建设、运检、调控、信通等多个专业难题，在开山岛上建设一套综合能源智能微电网系统；充分利用海岛丰富的风、光、波浪能等自然资源，建设30千瓦风机一台，采用屋顶平铺方式建设110千瓦光伏，660千瓦时储能，发电功率50千瓦柴油发电机和日产10吨淡水的海水淡化系统，通过多种能源协同互补利用，彻底解决岛上用电用水紧缺难题。建成投运开山岛智能微电网及海水淡化系统，让开山岛的夜晚灯火通明，为将开山岛建设成为全省乃至全国有影响力的党性教育基地、国防教育基地、爱国主义教育基地贡献苏电经验。 

本项目对海上风电场全景监控和预测性维护技术进行了研究，开发了相关系统。在监视方面，提出一种海上风电全景一体化监控架构，首次建立辅控系统CIM 模型，实现了主辅设备的统一建模及海上升压站全数字化；功率预测方面，提出可在线校正的海上风电功率预测方法，针对高变化率的海风实时修正预测模型，解决传统预测模型自适应差问题，提升了海上风电功率预测精度；功率控制方面，提出计及多因素和约束条件下海上风电有功功率控制方法及计及多时间尺度的无功设备两层协调控制方法，攻克了大惯量风电机组有功功率调节慢且精度不高的问题，实现了风电机组、无功设备功率调节次数的最优化及无功电压精准控制；运维方面，提出一种大数据趋势特征拟合的海上风机故障预测方法，结合海洋环境数据，建立多种风机劣化概率随机模型，风电机组潜在性故障判别有效率可达85%以上，实现海上风电场预测性维护。项目成果通过中国电机工程学会鉴定，结论为：“项目内容具备推广应用价值，填补了国内外空白，整体达到国际领先水平”。 项目成果目前在国内外没有同类产品可以比较。在统一模型、统一监视方面，国内外无相对应技术或产品；在控制和预测方面，技术指标处于国内外领先水平；率先建立的预测性维护体系，实现了海上风电场的智能运维。 项目成果已在25个海上风电项目中应用，对我国海上风电健康发展起到积极促进作用。从海上风力发电企业考虑，有利于降低海上风电场建设和运维成本，改善运维人员工作环境，提升企业运维水平及生产效率，增强企业的市场竞争力，年均节约运维成本约100万元；从整个新能源发电产业考虑，能够提升海上风电场可控性，有利于促进海上风电产业的发展，进而为减少碳排放，降低环境污染做出贡献。 项目成果能够为海上风电项目后期运行维护、系统协调、电网服务、资产管理等方面提供有效的技术手段和管理平台，应用前景广阔。

储能系统和光伏发电相结合的统筹规划能够提高系统的光伏自我消纳能力,增强可协调性和灵活性,提升经济效益,具备广阔的发展前景,光伏发电和储能设备容量合理配置与运行的重要性日益显现。建立电池储能的容量和功率配置的线性规划模型,将电池容量、功率及系统全年电池充放电功率、购电售电功率等参数进行统一优化计算,得出经济效益最优化的电池充放电策略及电池容量和功率配置结果。以某工业园区为研究对象,提出获得最佳经济效益的储能电池规划方案,以内部收益率、光伏自我消纳率等指标为参考,研究光伏上网价格、储能电池成本、电池寿命和折现率等因素对电池储能容量配置和经济效益的变化规律,以及电池储能在系统中发挥的作用。

近年来，随着碳达峰和碳中和“双碳”战略目标的提出，风力发电已成为可再生能源发电的关键部分。为提高风电功率短期预测的准确度，提出基于密度聚类与自适应噪声完备集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）和卷积神经网络与长短期记忆网络结合的短期风电功率预测方法。首先，利用密度聚类将风电功率与天气特征分成不同类别的数据集，通过自适应噪声完备集成经验模态分解算法将不同类别的数据进行频域分解得到子序列分量。以此为基础，将不同的子序列分量与天气特征进行特征选择，输入到卷积神经网络与长短期记忆网络的预测模型。最后，将不同的预测结果进行叠加得到最终的预测结果。整个预测过程通过聚类、分解和特征选择，有效提高了短期风电功率预测的准确度。

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。

为进一步提升短期风电功率的预测精度，提出了一种基于互补集合经验模态分解-样本熵（complementary ensemble empirical mode decomposition-sample entropy，CEEMD-SE）的卷积神经网络（convolutional neural network，CNN）和长短期记忆-门控循环单元（long short term memory-gated recurrent unit，LSTM-GRU）的短期风电功率预测模型。首先，利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数（intrinsic mode function，IMF）分量和一个残差（residual，RES）分量，利用样本熵算法将相近的分量进行重构；其次，搭建卷积神经网络和长短期记忆网络的并行网络结构，提取数据的局部特征和时序特征，并将特征融合后输入门控循环单元网络中进行学习预测；最后，通过算例进行验证，结果表明采用该模型后预测精度得到了有效提升，其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。