论文部分内容阅读
风力发电是绿色环保可再生的能源,同时全球风资源储量十分丰富,大力发展风力发电能有效的缓解日益严重的能源危机和环境问题,已受到政府、产业界、学术界各方的广泛关注。但是,风电本身存在的随机性和非平稳性又给风电场的功率调节和控制带来了困难。合理的调度策略能够保证风电场的安全可靠运行,减少风电并网对电网的冲击,增加风电场的调节能力。如何实现风电场功率的合理化调度成为了一个重要的研究方向。论文基于风电机组功率预测信息,研究更高效可靠的功率调度策略,分别对风功率短期预测、风电机组健康状态评估、风电场功率调度策略这三个方面开展研究。主要工作如下:(1)提出了基于改进AMPSO-LSSVM的风功率短期预测模型。采用互补集合模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)对风功率时间序列进行分解降低信号的非平稳性。针对预测模型存在的预测精度低、寻优效果差等现象,本文使用改进的自适应变异粒子群算法(Adaptive Mutation Particle Swarm Optimization,AMPSO)对预测模型进行优化,通过引入二次递减权重因子和随机变异因子,降低算法陷入局部最优的概率。通过对两种经典的性能测试函数进行仿真测试,改进的AMPSO算法具有更快的收敛速度。与基于BP神经网络、LSSVM、PSO-SVM等算法的风功率短期预测模型进行实验对比,本文中的风功率短期预测模型的预测精度分别提高了 7%、19%和8%,具有更高的预测精度。(2)提出了基于马氏距离的风机健康状态评估框架,利用风电机组功率短期预测模型,获得功率预测标准残差集与实际运行状态下的残差集。采用马氏距离表征两个数据集之间的相似程度,并通过归一化进而获得风电机组的实时健康指数。实验结果表明,当风机运行状态出现异常时,该评估框架能有效的表示出风电机组的健康状态变化趋势,风机健康指数能直观表明风电机组健康状态。(3)将风功率预测信息及风电机组的健康状态作为风电机组功率调度策略的重要因素,以风电场整体功率偏差、单台风机功率波动值以及风电场健康状态值为优化目标,建立了风电机组的功率调度优化模型。采用改进的AMPSO算法对目标函数进行参数寻优。实验表明,本文的风电场优化调度策略能够避免风机出现超负荷运转,从而更好地保障风电场的调度需求。