风光新能源发电先进预测技术

　　风光发电受气象资源影响显著，具有显著的随机性与波动性，大规模、高比例并网对电力系统安全经济运行造成挑战，提升预测精度可有效缓解风光发电不确定性的负面影响，对于促进风光并网消纳、提升风光供电保障能力具有积极意义。另一方面，我国正稳步推进电力市场化改革进程，风光场站作为市场主体，其发电功率预测准确性将直接关乎场站的考核与市场收益。因此，如何充分利用数值天气预报信息，分析不同时空尺度下风光出力特性，利用先进模型与算法，准确预测风光发电功率，量化评估预测结果的不确定性，是电网调度、风光场站以及预测服务提供商持续关注的重点问题。本书的主题是对风电、光伏新能源发电的发电量进行预测。主要内容包括风光新能源发电预测背景、风光新能源发电预测基础、风电功率单值预测、光伏功率单值预测、风光新能源发电概率预测、风光新能源发电组合预测和风光新能源发电爬坡事件预测等。本书的研究成果是对作者团队研究成果的系统性总结，形成了完备的风光新能源功率预测体系，能够代表当前风光功率预测先进技术和前沿方向，具有一定参考价值。

　　杨明 山东大学电气工程学院副院长、教授、博士生导师，山东省优秀科技工作者，全球前2%ding尖科学家，国家一流课程负责人；长期从事风光新能源功率预测理论研究，担任《电力系统自动化》“新能源电力系统预测技术及其应用”专辑特约主编、《高电压技术》“促进可再生能源消纳的发电功率预测技术及应用”专辑特邀主编，以及IEEE Transactions on Power Systems、IEEE Transactions on Industry Applications等期刊副编辑；主持多项与新能源发电功率预测相关的国家级、省部级纵向项目，包括国家重点研发计划“大规模风电/光伏多时间尺度供电能力预测技术—极端与转折性天气下风电/光伏功率爬坡及供电能力不足风险预测技术”、国家自然科学基金项目“短期负荷预测自适应动态建模理论与方法研究”、国家重点研发计划项目“促进可再生能源消纳的风电/光伏发电功率预测技术及应用—多空间尺度风电/光伏短期功率预测及概率预测技术”、山东省重点研发计划项目“数据驱动的风电预报系统关键技术研究”等。

前言
第1章 风光新能源发电预测背景
1.1 风光新能源发展现状
1.1.1 风电发展现状
1.1.2 光伏发展现状
1.2 风光新能源发电预测系统发展历程
1.2.1 风电预测系统发展历程
1.2.2 光伏发电功率预测系统发展历程
1.3 风光新能源发电预测意义
1.2.3 新能源发电预测对电力系统安全经济运行的意义
1.2.4 新能源发电预测对电力市场高效运行的意义
第2章 风光新能源发电预测基础
2.1 数值天气预报技术
2.1.1 概述
2.2.2 全球尺度数值气象模式
2.2.3中尺度数值气象模式
2.2.4 面向风光新能源发电预测的电力气象预报
2.2 风光新能源发电预测分类
2.2.1 时间尺度分类
2.2.2 空间尺度分类
2.2.3 预测模型分类
2.2.4 预测形式分类
2.3 风光新能源发电预测基础模型
2.3.1 物理模型
2.3.2 统计模型
2.3.3 机器学习与人工智能模型
2.4 风光新能源发电预测评价体系
2.4.1 单值预测评价
2.4.2 概率预测评价
2.4.2 事件预测评价
2.4.4 考核要求
第3章 风电功率单值预测
3.1 风力发电特性分析
3.1.1 气象相依特性
3.1.2 时序波动特性
3.2 风电场功率超短期预测
3.2.1 概述
3.2.2 基本算法原理
3.2.3 基于多变量EDM的风电功率单值预测
3.2.4 算例分析
3.3 风电场功率短期预测
3.3.1 概述
3.3.2 基于减法聚类和GK模糊聚类算法的气象条件分类方法
3.3.3 基于气象分类和XGBoost的短期风电场功率预测
3.3.4 算例分析
3.4 集群风电场功率预测
3.4.1 概述
3.4.2 时空特征深度挖掘的集群风电功率预测模型
3.4.3 算例分析
第4章 光伏功率单值预测
4.1 光伏发电特性分析
4.1.1 气象相依特性
4.1.2 时序波动特性
4.2 光伏功率超短期预测
4.2.1 概述
4.2.2 多时间尺度云团移动预测
4.2.3 考虑云遮挡的光伏功率超短期预测
4.2.4 算例分析
4.3 光伏功率短期预测
4.3.1 概述
4.3.2 基于高斯相似度的相似日检索方法
4.3.3 基于相似日检索与Light-GBM的光伏功率预测模型
4.3.4 算例分析
4.4. 分布式光伏功率预测
4.4.1 概述
4.4.2 基于小波包算法的分布式光伏功率序列分解
4.4.3 分布式光伏平稳序列与波动序列插值过程
4.4.4 算例分析
第5章 风光新能源发电概率预测
5.1 稀疏贝叶斯学习
5.1.1 概述
5.1.2 SBL原理
5.1.3 基于SBL的新能源功率概率预测——以风电为例
5.1.4 算例分析——以风电为例
5.2 分位数回归
5.2.1 概述
5.2.2 基于非线性分位数回归的新能源发电功率概率预测模型
5.2.3 算例分析——以风电为例
5.3 D-S证据理论
5.3.1 概述
5.3.2 误差条件概率预测
5.3.3 D-S证据理论整合概率分布
5.3.4 算例分析——以风电为例
5.4 核密度估计
5.4.1 概述
5.4.2 基于KDE的新能源发电功率概率预测模型
5.4.3 算例分析——以光伏为例
第6章 风光新能源发电组合预测
6.1 单值预测组合模型
6.1.1 概述
6.1.2 自适应增强集成模型原理
6.1.3 基于自适应增强的单值集成组合预测
6.1.4 算例分析—以光伏功率预测为例
6.2 概率预测组合模型
6.2.1 概述
6.2.2 扩展BMA模型原理
6.2.3 组合非参数概率预测—以风电为例
6.2.4 算例分析—以风电功率预测为例
第7章 风光新能源发电爬坡事件预测
7.1 风电爬坡事件预测
7.1.1 概述
7.1.2 风电爬坡事件定义
7.1.3 基于朴素贝叶斯网络的爬坡事件概率预测模型
7.1.4 算例分析
7.2光伏功率爬坡事件预测
7.2.1 概述
7.2.2 考虑日周期性影响的光伏功率爬坡事件定义
7.2.3 基于信度网络的光伏功率爬坡事件预测
7.2.4 算例分析
参考文献