定 价：79 元
丛书名：机械工业出版社高水平学术著作出版基金项目中国能源革命与先进技术丛书
- 作者：杨明于一潇李梦林
- 出版时间：2024/1/1
- ISBN：9787111742319
- 出 版 社：机械工业出版社
- 中图法分类：TM614
- 页码：
- 纸张：胶版纸
- 版次：
- 开本：16开
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。
风光新能源发电预测是针对调控风光发电先天具有出力不稳特性、改善新能源发电质量、整合电网调度方面的重要技术，也是随着新能源发电的技术进步、装机量增加而发展起来的新兴先进技术，风光新能源发电预测方面先进技术的探索，对我国绿色能源发展战略和“双碳”目标的实现具有重要意义。
著作《风光新能源发电先进预测技术》由国内该领域的ding级专家撰写，是作者及其科研团队在近年参与多项国家重点研发计划项目的结论的结晶。特别是通过时间尺度、空间尺度和不同预测形式的角度，结合前沿的大数据技术及人工智能技术，创新性地提出了精准性更高的预测方法，具有极高的学术价值和社会价值。
前 言
在“双碳”目标驱使下，我国风光新能源发电装机容量持续提升。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市场收益与考核惩罚。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。
在上述背景下，山东大学电力系统经济运行团队以多时空尺度风光发电预测精度提升为目标，自2009年开始持续开展深入研究，针对超短期、短期等不同时间尺度，场站、集群、分布式等不同空间尺度，单值、概率、爬坡事件等不同预测形式，提出了系列预测方法，基本涵盖了风光发电功率预测所涉及的热点问题。与此同时，团队自主研发了风光功率预测产品，实现了科研成果的产业转化与推广应用，积累了充足的工程经验。本书是对团队10余年研究成果的系统性总结，具有一定参考价值，既可以作为相关科研人员与工程人员的参考书目，也可以作为研究生的教材使用。
本书结构按照由浅入深，逐步开展的原则设计。书的第一章介绍了国内外风光发电的发展现状，进一步引出了国内外风光发电功率预测方法以及系统的发展历程，在此基础上总结了风光新能源发电对于电力系统以及电力市场的重要性；第二章介绍了风光新能源发电预测的相关理论基础，包括面向风光发电预测的电力数值气象预报技术、风光发电预测分类方法、风光发电预测基础模型以及风光发电预测评价体系；第三章从风力发电特性分析出发，分别针对超短期、短期时间尺度以及集群空间尺度的特点介绍了相应的风电功率单值预测模型，通过算例对比研究证实了所提模型的有效性与精准性；第四章从光伏发电特性分析出发，分别针对超短期、短期时间尺度以及分布式空间尺度的特点介绍了相应的光伏功率单值预测模型，并利用实际场站数据进行模型性能验证研究；第五章在单值预测的基础上进一步深入探讨风光发电功率概率预测，介绍了参数化概率模型（稀疏贝叶斯学习）和非参数化概率模型（分位数回归、D-S证据理论、核密度估计）并进行算例分析验证；第六章重点探讨了多模型组合预测在风光功率单值和概率预测中的应用，以克服单一预测模型环境适应能力较弱的缺陷，提升预测精准度和鲁棒性；第七章介绍了风光发电爬坡事件的定义，针对爬坡事件的小样本问题，提出了非精确概率区间预测方法。
本书是团队研究成果的总结，在此感谢直接参与此项研究的于一潇博士、李梦林博士、王传琦博士，以及所有参与到此项研究工作中的硕士研究生。此外，还要衷心感谢在研究过程中给予指导的韩学山教授、参与讨论的课题组其他老师，以及长期保持密切合作与沟通的中国电科院新能源所的各位专家。本书涉及研究内容获得了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”（2018YFB0904202）、国家重点研发计划项目“大规模风电/光伏多时间尺度供电能力预测技术”（2022YFB2403003）、国家重点研发计划政府间国际科技创新合作项目“基于多元柔性挖掘的主动配电网协同运行关键技术与仿真平台研究”（2019YFE0118400）、国家自然科学基金联合基金项目“基于灵活性挖掘的区域能源互联网协同运行关键技术与仿真平台研究”（U2166208）的资助，也一并表示感谢。
本书内容体现的研究成果是阶段性的，由于作者水平有限，难免存在缺陷与不足，恳请读者给予批评和指正。
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
书单推荐
