考虑气象因素的风电场风速及风电功率短期预测研究

摘要

随着风电场穿透功率的增加,风电场并网运行给电网带来的一系列影响越来越严重,足以破坏电力系统经济、安全、稳定、可靠运行的状态。风电的原动力是风能,而风能具有较强的随机性和波动性,使得接入电网的风电穿透功率呈现剧烈的波动特性,风电功率的波动给系统带来的主要影响有:频率稳定、功角稳定、电压稳定、谐波、电压波动与闪变、网损及潮流的分布、系统备用成本、调度计划的制定、系统可靠性等诸多方面。良好的风电场风电功率预测结果,可以让运行人员提前制定调度计划、安排机组出力及系统备用等相关措施,减少整体有功出力的波动,从而降低风电并网给系统带来的影响。一方面,风能受众多地理和气象因素的影响,地理上的因素如地形、地貌、纬度等,气象上的因素如温度、风力等级、湿度等,每一个因素的变化都可能导致风速的变化,使得风速的日变化规律性较差,预测模型模拟的未来风速变化趋势可能与实际相差很大,导致预测结果无法令运行人员满意;另一方面,研究人员可以分析风速与各种因素的相关程度,并利用风速与各种因素的相关性,提取有用信息,寻找与未来风速变化规律更接近的历史数据,进行预测工作,提高预测精度。本文首先采用直观和统计学的方法分析了风速与主要气象信息间的相关性。直观的方法就是将连续一段日期的风速及相关的气象信息,按照风速大小顺序排列,观察随着风速的增加,各个气象信息的增减情况,以此反应风速与气象信息在变化趋势上的相关性;统计学方法就是借助统计学中相关性系数的概念,系统的分析风速与气象信息间的相关性质正相关或负相关)及相关程度。本文在分析了气象因素与风速的相关性后,提出考虑气象因素的风电场风速及风电功率短期预测研究。首先,在风速与主要气象信息相关性分析的基础上,提取与风速相关性最大的几个气象因素作为模糊聚类样本的指标,通过模糊聚类技术将历史样本进行分类;其次,由于每个因素与风速的相关程度不同,本文在每个指标上乘以一个权重系数,并给出计算指标权重的数学方法;再次,在风速预测中,精确的聚类结果是不必要的,因此本文还改进了传统的模糊聚类技术,提出适合不精确分类的模糊聚类算法的步骤,使其应用起来更明了、方便;最后,将部分气象信息和对应点的历史风速值作为BP神经网络模型的输入,使用与预测日同类的样本训练BP神经网络模型,得到风速预测结果,进一步通过风力发电机的功率曲线得到风电功率。根据上海某两个风电场的实测数据,测试本文方法的预测结果,通过比较直接应用BP神经网络模型的预测结果,和本文方法的预测结果,可以看出,本文预测方法的预测精度至少提高了5％,充分说明了本文方法的有效性和实用性。

目录

摘要

ABSTRACT

第一章 绪论

1.1 课题研究的背景及意义

1.2 国内外风电发展现状

1.2.1 国外风电发展现状

1.2.2 国内风电发展现状

1.2.3 全球风能委员会对于全球风能市场的分析预测

1.3 风速及风电功率预测研究概述

1.4 本文主要工作

第二章 风资源特性及风电并网对系统的影响

2.1 引言

2.2 风资源的特性

2.2.1 风速的变化特性

2.2.2 风速的规律性

2.3 风电并网运行对电力系统的影响

2.3.1 对发电计划制定和调度的影响

2.3.2 对电压的影响

2.3.3 对电网功角稳定及频率稳定的影响

2.3.4 对继电保护的影响

2.3.5 对系统可靠性的影响

2.3.6 对其他方面的影响

2.4 小结

第三章 风速及风电功率预测模型

3.1 引言

3.2 时间序列模型

3.2.1 几种时间序列模型及其自相关函数与偏相关函数

3.2.2 时间序列模型的建模

3.3 神经网络模型

3.3.1 神经网络模型的基本原理

3.3.2 神经网络模型的学习方式

3.3.3 BP 神经网络模型

3.4 多元线性回归模型

3.4.1 多元线性回归模型建模

3.4.2 多元线性回归模型检验

3.5 灰色模型

3.5.1 灰色预测模型的建立

3.5.3 灰色预测模型的检验

3.6 小结

第四章 风电场气象因素与风速关系的相关性分析

4.1 引言

4.2 风电场主要气象因素与风速的日变化关系

4.2.1 冬季风速与主要气象因素的日变化关系

4.2.2 春季风速与主要气象因素的日变化关系

4.2.3 夏季风速与主要气象因素的日变化关系

4.2.4 秋季风速与主要气象因素的日变化关系

4.2.5 小结

4.3 风电场主要气象因素与风速的相关性分析

4.3.1 相关系数的概念

4.3.2 风速与主要气象因素的相关性分析

4.4 小结

第五章 考虑气象因素的风电场风速及风电功率预测

5.1 引言

5.2 模糊聚类技术

5.2.1 样本指标值的归一化

5.2.2 样本指标权重的分析方法

5.2.3 模糊聚类方法的实现

5.3 考虑气象因素的风速短期预测模型

5.3.1 预测模型的实现

5.3.2 BP 神经网络预测模型的结构

5.4 算例分析

5.4.1 应用于上海某风电场甲的风速及风电功率预测

5.4.2 应用于上海某风电场乙的风速及风电功率预测

5.5 小结

第六章 结论与展望

6.1 论文工作总结

6.2 论文的主要创新点

6.3 风速及风电功率预测研究展望

参考文献

致谢

攻读硕士学位期间论文发表和科研成果情况