风电功率爬坡事件预测方法研究

摘要

在含有高比例风电的电力系统中，风电功率爬坡事件（即风电场输出功率在短时间内的大幅度波动现象）对电网的冲击已不容忽视。它会直接导致电力系统发用电不平衡，威胁电力系统的安全稳定运行，甚至造成严重的电力系统停电事故，给社会经济造成很大的损失。掌握风电功率爬坡事件的发生规律，进而对其及时、准确的预测已成为风电并网过程中亟待解决的问题。论文从风电功率爬坡事件的分布特征、影响因素及预测方法三个方面对其展开了探究。主要工作和成果如下:
　　(1)研究了风速的周期特性
　　风速的特性决定风电功率的特性。基于小波分解方法对随机波动的风速时间序列进行了拆解，从周期的角度对其展开了分析，并提出了周期强度评价指标PI(Periodicity Intensity)和RPI（Relative Periodicity Intensity），对各周期分量的显著特征进行了定量描述，初步建立了风速波动性与周期性的内在联系。
　　(2)分析了风电场输出功率爬坡事件的分布特征及影响因素
　　分析了风电场输出功率爬坡事件的分布规律。结果表明:不同风电场输出功率爬坡事件的分布特点及主要影响因素有明显不同。针对这一问题，建立了一套具有普适性的风电功率爬坡事件影响因素分析方法，用于确定不同风电场的输出功率爬坡事件的主导因素，为其预测提供基础。
　　(3)建立了基于正交实验与支持向量机的风电功率爬坡事件预测模型
　　基于风电功率爬坡事件影响因素分析方法以及风电功率爬坡事件与各气象要素之间的联系，建立了基于正交实验与支持向量机的风电功率爬坡事件预测模型(OT-SVM)。该模型基于数值天气预报(NWP)，通过引入正交实验环节为各风电场的预测模型选取最合适的气象要素输入量。经算例验证:OT-SVM模型能够有效提高预测精度，且具有普适性，能够充分考虑不同风电场输出功率爬坡事件发生特性的差异，针对每个风电场制定最适合的预测策略。
　　(4)建立了基于小波分解与自回归滑动平均的风电功率爬坡事件预测模型
　　基于对风电场历史输出功率的时间序列分析，建立了基于小波分解与自回归滑动平均的风电功率爬坡事件预测模型（WT-ARMA）。针对预测过程中“全面性”与“准确性”无法同时满足的问题，提出了“单支预测，统筹决策”的预测策略。经算例验证:WT-ARMA模型能够有效解决高捕获率与高准确率不可兼得的问题，实现了风电功率爬坡事件的全面且准确的预测。且该模型无需风速、风向等气象要素的数值天气预报值作为输入，有效克服了数值天气预报误差对风电功率爬坡事件预测结果的影响。

目录

声明

摘要

1．1．1 课题研究背景

1．1．2 课题研究意义

1．2 国内外研究进展及存在问题

1．2．1 风电功率爬坡事件发生特性研究进展

1．2．2 风电功率爬坡事件预测研究进展

1．2．3 主要存在问题

1．3 论文的主要研究内容及结构

1．3．1 论文的主要研究内容

1．3．2 论文结构

2．1 引言

2．2 小波分析法

2．2．1 小波分析法

2．2．2 Morlet小波分析法

2．3 基于Morlet小波变换的风速时间一周期平面模型

2．3．1 基于Morlet小波变换的风速时间一周期平面模型

2．3．2 算例分析

2．4 风速周期强度评价指标

2．4．1 风速周期强度评价指标

2．4．2 算例分析

2．5 本章小结

第3章 风电功率爬坡事件的分布特征及影响因素

3．1 引言

3．2 风电场输出功率爬坡事件定义

3．3 风电功率爬坡事件的分布规律

3．3．1 风电功率爬坡事件的分布规律分析方法

3．3．2 算例分析

3．4 风电功率爬坡事件的影响因素

3．4．1 正交实验分析方法

3．4．2 基于正交实验的风电功率爬坡事件影响因素分析方法

3．4．3 算例分析

3．5 本章小结

第4章 基于正交实验与支持向量机的风电功率爬坡事件预测模型

4．1 引言

4．2 支持向量机算法

4．3 基于正交实验与支持向量机的风电功率爬坡事件预测模型

4．4 算例分析

4．4．1 预测结果评价指标

4．4．2 结果分析

4．5 本章小结

第5章 基于小波分解与自回归滑动平均的风电功率爬坡事件预测模型

5．1 引言

5．2 小波分解方法

5．3 自回归滑动平均算法

5．4 基于小波分解与自回归滑动平均的风电功率爬坡事件预测模型

5．5 算例分析

5．5．1 数据处理及建模

5．5．2 同一时间分辨率下风电功率爬坡事件预测结果分析

5．5．3 不同时间分辨率下风电功率爬坡事件预测结果分析

5．6 本章小结

6．1 结论

6．2 论文创新点

6．3 研究展望

参考文献

攻读硕士学位期间发表的论文及其它成果

致谢