超短期風(fēng)電預(yù)測及考慮風(fēng)速預(yù)測的慣性控制研究.pdf

1、隨著風(fēng)電在電力系統(tǒng)中的滲透率越來越高，其固有的不確定性給電網(wǎng)安全經(jīng)濟運行帶來嚴峻挑戰(zhàn)。對風(fēng)電出力概率特性進行統(tǒng)計分析，實現(xiàn)高精度的超短期風(fēng)電預(yù)測能為電力系統(tǒng)運行管理人員提供應(yīng)對風(fēng)電不確定性的基礎(chǔ)條件。風(fēng)電預(yù)測精度越高，電網(wǎng)接納風(fēng)電的能力越強。另一方面，越來越多的風(fēng)電機組代替?zhèn)鹘y(tǒng)的同步電機，使系統(tǒng)頻率響應(yīng)特性持續(xù)惡化，因此風(fēng)電機組參與系統(tǒng)調(diào)頻在工業(yè)界和學(xué)術(shù)界均得到廣泛重視。本文基于四川地區(qū)某實際風(fēng)電場的實測數(shù)據(jù)，對風(fēng)電出力特性、超短期風(fēng)電

2、預(yù)測和慣性控制進行研究，詳細內(nèi)容如下:
　　1、對該風(fēng)電場年出力分布和年風(fēng)速分布進行統(tǒng)計分析，對比15min、30min和60min時間尺度下的出力波動特性;統(tǒng)計分析該風(fēng)電場風(fēng)電機組之間出力的相關(guān)性和互補性;分析單臺風(fēng)機在同一風(fēng)速下輸出功率的寬范圍分布現(xiàn)象，提出了一種基于最優(yōu)平滑階數(shù)的風(fēng)速功率曲線建模策略，以最優(yōu)平滑階數(shù)處理原始風(fēng)速得到輸入風(fēng)速從而建立風(fēng)速功率曲線模型，并與已有方法中以原始風(fēng)速為輸入建立的風(fēng)速功率曲線模型進行精度對

3、比分析;
　　2、提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的長時間尺度缺失風(fēng)電功率數(shù)據(jù)的補齊方法，以缺失數(shù)據(jù)時間段內(nèi)另7臺風(fēng)機的實測風(fēng)電功率數(shù)據(jù)為BP神經(jīng)網(wǎng)絡(luò)的輸入，得到待補齊風(fēng)電機組的功率數(shù)據(jù)，并與常用的相鄰風(fēng)機法進行精度對比分析;
　　3、深入研究基于歷史功率數(shù)據(jù)的超短期風(fēng)電預(yù)測，實現(xiàn)了持續(xù)法、ARMA、ARIMA這三種時間序列法;在考慮風(fēng)電功率序列波動特性的基礎(chǔ)上提出了一種改進的持續(xù)法，其精度較持續(xù)法有一定程度的提升;實現(xiàn)了BP神經(jīng)

4、網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、SVM、PSO-SVM四種智能算法。對上述預(yù)測方法在不同季度以及不同預(yù)測步長情況下的預(yù)測結(jié)果進行對比分析。選擇時間序列方法中總體精度最好的ARMA方法和智能算法中總體精度最好的PSO-SVM為子預(yù)測方法，利用ANFIS組合上述兩個子預(yù)測方法從而得到最終的風(fēng)電預(yù)測結(jié)果，并將組合法的預(yù)測精度與兩個子預(yù)測方法進行對比分析;
　　4、分析了暫態(tài)過程中風(fēng)速波動對風(fēng)機參與系統(tǒng)調(diào)頻的影響，進而提出了一種基于超短期風(fēng)速預(yù)測的