風電功率預測的案例
2017年我國海上風電不同功率機組累計裝機容量（圖）
國際知名能源咨詢機構WoodMackenzie電力與可再生能源事業部于近日發布《下一代風機機型研究預測報告》（以下簡稱《報告》）詳細地分析了現階段風機技術發展趨勢，其中包含全球一線整機企業的現有風機產品譜系及未來機型開發預測。
25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥100
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。模型以調通，可直接運行。基于matlab平臺。標價為程序價格，不包含售后。
25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥100
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。模型以調通，可直接運行。基于matlab平臺。標價為程序價格，不包含售后。
25針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。 ￥150
針對西班牙風場數據進行風場風速預測和功率預測，也可根據自己的數據帶入模型進行結果分析。程序所用算法包括花授粉優化算法（FPA）優化BP，優化ELM,進行預測，先對數據進行VMD或EEMD,CEEMDAN等方法分解，然后進行輸入模型預測。
考慮多因素影響的光伏發電功率智能預測研究
摘 要：為了提高光伏發電功率預測精度，減少光伏發電功率預測誤差，提出考慮多因素影響的光伏發電功率智能預測方法。首先分析光伏發電功率預測研究進展，選擇光伏發電功率影響因素，并采用相關性分析法確定影響因素權重值，然后根據權重值對光伏發電功率樣本數據進行處理，采用最小二乘支持向量機對樣本進行學習，建立光伏發電功率預測模型，最后采用Matlab工具箱進行光伏發電功率預測的仿真對照測試，結果表明，所提方法可以科學、準確描述光伏發電功率變化趨勢，光伏發電功率預測精度高于當前經典方法，是一種性能優異的光伏發電功率預測建模技術。
關鍵詞：光伏發電;影響因素;功率預測;仿真測試;預測精度;
1 引言
當前能源消耗速度加快，世界各國均面臨能源不足問題，同時化石能源給環境帶來嚴重負面影響，嚴重干擾了人們的正常生活[1,2]。太陽能是一種通過光伏發電的潔凈能源，光伏發電要準確并入電網，必須對光伏發電功率進行準確預測，并根據預測結果進行合理調度，如光伏發電功率預測不準確，對電力系統造成很大的損害，因此光伏發電功率預測與建模具有重要的研究意義與價值[3,4,5]。
光伏發電功率與多種因素相關，如：氣象條件、太陽輻照強度等，變化十分復雜，這給光伏發電功率準確預測帶來了困難[6]。最初人們采用灰色模型建立光伏發電功率預測模型，該方法將光伏發電功率當作一個灰色系統，利用光伏發電功率歷史數據分析將來變化特點[7]，該方法局限性比較明顯，因為其假設將光伏發電功率是一種增長或者下降固定變化規律，這與光伏發電功率的實際變化規律不相符，導致光伏發電功率預測偏差比較大，預測結果沒有太多的實際應用價值[8]。
展開 聚焦 | 功率半導體預測，氧化鎵前景可期
Fuji Keizai將SiC 功率半導體、GaN 功率半導體和 Ga 2 O 3功率半導體列為未來功率半導體市場感興趣的產品。
SiC 功率半導體用于 SiC-SBD（肖特基勢壘二極管）、SiC-FET 和 SiC 功率模塊。盡管 2020 年受到新型冠狀病毒感染的影響，但由于對信息和通信設備和太陽能發電的強勁需求，市場規模同比增長 9.6% 至 493 億日元。未來，汽車、鐵路車輛、能源設備、工業設備等的采用將增加，預計到2030年將達到1859億日元。
GaN 功率半導體市場預計到 2030 年為 166 億日元，而 2020 年為 22 億日元。數據中心和5G基站投資將繼續增加，信息通信設備領域有望保持堅挺。預計在2022年后安裝在xEV等汽車上。
Ga 2 O 3功率半導體的市場仍然很小，但預計到2021年開始量產時市場將達到2億日元。與SiC功率半導體和GaN功率半導體相比，具有高耐壓、低損耗等特點，可以降低成本。首先，它將用于消費設備和其他耐壓為600V的應用，預計2025年后將安裝在汽車上。2030年市場規模預計為465億日元。
此外，預計到 2030 年功率半導體相關組件市場為 3752 億日元，而 2020 年為 2068 億日元。2030年制造設備市場預計為3144億日元，2020年為1449億日元。
展開 新能源電力系統生產模擬關鍵技術及應用
它通過建立“源-網-荷-儲”運行模擬模型，開展長時間尺度時序運行仿真，優化各類電源開機及發電、線路交換功率等，是合理安排新能源發展規模、布局和時序，優化電力系統運行方式的重要手段。傳統的電力系統生產模擬未考慮新能源出力的隨機波動特性和電力系統運行的時序性，難以準確模擬新能源電力系統的運行，亟需開展新能源電力系統年/月時序生產模擬技術攻關。
依托國家和國家電網公司科技項目，國家科技重點領域創新團隊“新能源發電調度運行技術創新團隊”歷時10年，采用“基礎研究、技術攻關、系統研發、應用推廣”的技術路線，研發了新能源電力系統生產模擬軟件（REPS）和國-網-省新能源消納能力協同計算平臺，實現了新能源電力系統中長期電力電量平衡量化分析，為我國新能源相關政策的制定和實施提供了重要依據。
2
論文所解決的問題及意義
（1）新能源中長期電量預測與時間序列建模
開展新能源電力系統生產模擬需要預測新能源中長期電量，并構建符合新能源運行特性的出力時間序列。新能源中長期電量預測受氣候變化及局地特征對發電的影響，技術難度高，國內外尚未開展；其出力序列隨機波動形態復雜，時序模擬尤為困難。
團隊提出了歷史發電序列變化規律挖掘與風光資源氣候態預報結果深度學習相結合的中長期電量熵權組合預測方法；提出了基于SOM聚類和波動過程轉移的風電時間序列建模方法以及基于凈空確定性和天氣特征不確定性的光伏發電時間序列建模方法。采用28個省級及以上新能源運行數據驗證了所提方法的有效性和優越性。
圖1 風電出力時間序列建模方法
圖2 光伏出力時間序列建模方法
（2）新能源電力系統時序生產模擬建模與快速求解
開展電力系統生產模擬需要準確模擬電網運行方式，且計算時間需滿足工程應用要求。
展開 用機器學習破解新能源領域的“棄風”難題
模型訓練部分，先根據風電特征將數據分區，然后分別用不同的訓練算法做模型訓練。
模型對比階段，用測試集對基于不同算法訓練得到的模型進行精度對比。
最后一步模型聚合，將優選出的分區模型合并為一個。
最終經測試集數據測試，合并后的模型精度非常高，R2值達到0.99。
這說明基于風速、溫度以及槳距角這些容易測量或容易預測的數據，就能實時預測未來一段時間的風機功率。
如果預測到功率偏低，那就讓火電機組做好準備，甚至讓風電停機檢修。反過來，如果預測到功率偏高，火電就能歇息一陣了。
如此一來，大大提升風機的利用率，降低“棄風”率，讓每一縷風都有機會點亮萬家燈火。
最后，歡迎到天洑軟件官網下載試用DTEmpower，從數據中挖掘價值，預測未來。
展開 