大型風電場分組建模方法及其在功率預測中的應用.pdf

1、風電固有的波動性影響電力系統(tǒng)的安全、穩(wěn)定和經濟運行，是大規(guī)模風電并網運行的主要挑戰(zhàn)。風電場功率預測是解決該問題的必要手段之一。利用場內某代表位置的風況來映射整個風電場的輸出功率是當前大多風電場功率預測采用的方法，但對于大規(guī)模風電場，此方法難以保證精度;若對每臺機組進行建模預測，將導致預測計算時間過長，無法滿足電力系統(tǒng)對功率預測的要求。因此，研究既能提高預測精度，又保證計算效率的風電場功率預測方法，是大型風電場功率預測領域的關鍵問題之一。

2、基于聚類算法研究了風電場分組功率預測方法，主要工作包括:
　　(1)研究了風電場分組建模的影響因素。以實測風速、實測功率及二者組合作為模型輸入，分析其對風電場分組功率預測精度的影響程度。通過分析可得風速是影響分組效果的主要因素，以風速作為輸入變量，預測精度波動范圍較小，而功率變量會使預測精度波動范圍較大。
　　(2)提出了用于確定風電場分組個數(shù)的指數(shù)。利用提出的輪廓系數(shù)和霍普金斯統(tǒng)計量指數(shù)，分別從定性和定量的角度確定風電場分

3、組個數(shù)，為建立風電場分組模型奠定基礎。結果表明:霍普金斯統(tǒng)計量方法效果更好，定量的判定標準保證了確定風電場分組個數(shù)的準確性和高效性。
　　(3)提出了一種可提高功率預測精度的風電場分組模型。建立了基于K-means、FCM、SOM、GA-蟻群和譜聚類五種聚類算法的風電場分組模型，通過識別機組的風況特征和發(fā)電特征的相似性將大型風電場分成不同的機組群，并利用相關性分析法選擇組內代表機組。結果表明:五組聚類結果合理;譜聚類計算效率最高，

4、而GA-蟻群計算時間最長。
　　(4)建立了具有較強適用性的風電場分組功率預測模型。利用多臺代表機組位置的風況，預測整場輸出功率，比較各模型的預測精度，并對其適用性進行分析。結果表明:風電場分組模型可以有效降低大型風電場功率預測的計算維度，顯著提高預測精度，其中，SOM和譜聚類模型較未分組預測精度分別提高1.67％和1.59％;計算效率最高的譜聚類適用于大型風電場的分組建模，預測精度最高的SOM適用于中型風電場，二者可為電力系統(tǒng)調