风电预测与预测误差估计的混合储能动态配置

摘要

近年来，风力发电在全球的普及化程度越来越高，作为清洁能源，其在缓解紧张的能源局势和传统能源对生态环境的污染问题方面具有重大的意义。作为不确定性能源，它固有的随机性和波动性，必然会对电网的调度及安全稳定性运行造成一定的影响。接纳大规模风电已经成为未来电网的发展方向。风电预测以及配置储能系统成为研究中的两大重点。 本文对现有的风电预测方法、预测误差估计方法及储能系统配置进行了详细分析和总结。 为了消除不同功率等级样本数据对风电预测的影响，提出了基于功率分级GA-BP神经网络的风电预测方法。用支持向量机对风电数据进行功率等级的分类，将各类风电数据分别放入各自的神经网络进行训练，得到风电功率预测模型。通过爱尔兰电网公开的风电数据，验证了该方法的有效性。 为了评估预测结果，提出了基于特征值提取的风电预测误差估计方法，该方法提取了包括运用直接数据处理方法得到的与预测误差相关的风电波动特性指标、基于粗糙集理论和小波分解的高频段的风电随机特性指标在内的特征值，以此特征值作为输入，误差作为输出建立模型来估计预测误差。通过和一些现有方法的对比得出：该方法可以在最小的区间内获得最精确的误差估计结果。基于粗糙集理论和小波分解的高频段的风电随机特性指标使得曲线的细节部分能够准确把握，预测精度得到提高。误差的提出，使得误差的正负得以区分，误差估计区间更加精准，电网的经济性、安全性和稳定性更强。 将风电功率预测值和预测误差估计值叠加，作为最终的预测估计值，并将其作为实际值。通过配置储能可以去除实际值和预测值间的差异性。由于蓄电池充放电速度慢、成本低，超级电容器充放电速度快、容量大，故采用预测误差估计值的概率分布进行置信区间的求取，在置信区间以内的部分采用蓄电池补偿，在置信区间以外的部分采用超级电容器补偿，进行发电侧混合储能系统动态配置。为了满足国家电网公司对于风电短期预测误差日前小于等于百分之二十和对于风电波动十分钟小于等于风电装机容量的百分之三十三的要求，风电场配置的储能系统将在平抑风电波动的基础之上去除实际值和预测值之间的差异性。基于爱尔兰电网公开的风电数据，对发电侧混合储能系统动态配置进行了算例分析，验证了该方法的有效性，实现了在平抑风电波动的基础上去除了实际值和预测值之间的差异性，可给工作人员对含风电电力系统的调度提供有价值的参考，在一定程度上电力系统的安全稳定性运行得到了有效保障。 由于发电侧混合储能的动态配置涉及多方面因素，作者今后将针对其具体实施过程进行进一步的研究。此外，本文是在风电的基础上进行研究，如何将其推广到其它新能源领域还有待探究。

目录

声明

致谢

变量注释表

1 绪论

1.1 课题背景（Background of the Subject）

1.2 风电预测方法概述（ Overview of Wind Power Forcast Methods）

1.3 预测误差估计方法概述（ Overview of Forecast Error Estimation Methods）

1.4 储能系统容量配置研究现状（ Research Status of Energy Storage System Capacity Configuration）

1.5 本文的主要工作（Main Work of This Thesis）

2 基于功率分级GA-BP神经网络的风电预测

2.1 基于支持向量机分类器的功率分级（ Power Classification Based on Support Vector Machine Classifier）

2.2 GA-BP神经网络（GA-BP Neural Network）

2.2.1 ANN的类型

2.2.2 BP神经网络的训练过程

2.2.3 遗传算法概述

2.2.4 GA-BP神经网络

2.3 基于功率分级 GA-BP 神经网络的风电预测算法原理（Principle of the Wind Power Forecast Algorithm Based on GA-BP Neural Network with Power Classification）

2.4算例分析（Example Analysis）

2.5本章小结（Conclusion of This Chapter）

3 风电预测误差估计

3.1.1 风电预测误差频率直方图

3.1.2 拟合函数

3.1.3 函数拟合的评价指标

3.1.4 函数拟合

3.1.5 基于概率密度函数的风电预测误差估计

3.2 风功率场景生成方法（Wind Power Scene Generation Method）

3.2.1 静态风功率场景的生成和削减

3.2.2 基于波动性分析的新型静态风功率场景生成

3.2.3 基于多元正态分布的动态风功率场景生成

3.2.4 风功率场景评估体系

3.2.5 风功率场景生成

3.3 基于特征值提取的风电预测误差估计方法（ Wind Power Forecast Error Estimation Method Based on Eigenvalue Extraction）

3.3.1 基于直接数据处理方法的特征值提取

3.3.2 基于小波分析和粗糙集的特征值提取

3.3.3 基于特征值提取的风电预测误差估计算法原理

3.4 算例分析（Example Analysis）

3.5 本章小结（Conclusion of This Chapter）

4 发电侧混合储能动态配置

4.1 蓄电池模型（Battery Model）

4.2 超级电容器模型（Super Capacitor Model）

4.3 发电侧混合储能系统动态配置原理（ Principle of Dynamic Configuration of Hybrid Energy Storage System on Power Generation Side）

4.4 发电侧混合储能系统动态配置算例分析（Example Analysis of Dynamic Configuration of Hybrid Energy Storage System on Power Generation Side）

4.5 本章小结（Conclusion of This Chapter）

5 总结与展望

5.1 工作总结（Conclusions of This Thesis）

5.2 工作展望（Prospect）

参考文献

作者简历

学位论文原创性声明

学位论文数据集