论文部分内容阅读
随着能源的日益减少、环境污染越来越严重,尤其是雾霾正逐步覆盖着我国大部分城市,使用清洁无污染的能源便成为解决这些问题的一个重要选择。风能以其可再生、绿色、清洁环保等特性使得风力发电量在世界发电总量中所占比重正在不断加大。但由于风力发电的间歇性及不可控等特性使得电网接纳风电的能力受到抑制,风力发电的发展速度较为缓慢。对风功率进行较高精度的预测,可以有效地降低风电场输出波动对电力系统的不利影响,并且提高风力发电在电力市场中的竞争实力。同时,风电机组向更大容量、更高效率的趋势发展,就要求提高对风能的利用率,使得研究最大风能追踪具有重要意义。本文针对风功率预测和最大风能追踪这两大风力发电中的实际问题,进行了深入研究。针对风功率预测,由于风功率与风速有着直接的函数关系,因此可以通过预测风速得到风功率的预测结果。对于风速序列的非线性及不平稳性,本文应用小波分解来降低。风速预测大多应用神经网络理论,目前还没有统一的神经网络输入量的选取方法,本文采用时间序列建模选择输入量的方法为神经网络选择输入量。综上所述,本文提出一种综合了小波理论、时间序列及神经网络的预测方法,即小波时序神经网络预测方法。该方法首先将原始风速进行小波分解为一个低频趋势信号和几个高频随机信号,然后对高频信号采用时间序列的方法建模,继而对小波分解后的两种信号利用BP神经网络进行建模:低频信号采用常规BP神经网络(输入量为最近的6个历史值),高频信号应用时间神经网络(输入量应用时间序列建模选择),最后将各信号的预测结果通过叠加进行重构,得到原始风速序列的最终预测结果。将风速预测结果输入到拟合的风机功率曲线,便可预测出风机功率。基于我国南方某风电场的实测数据进行验证,本文提出的预测方法具有较好的预测精度。针对最大风能追踪问题,本文在分析风力机运行特性的基础上,研究变速恒频双馈风力发电机组实现最大风能追踪的控制方法。为简化模型难度,对双馈异步发电机进行坐标变换,并采用定子磁链定向的矢量变换技术。简化后的模型可完成发电机的有功功率和无功功率的解耦控制,并且实现最大风能追踪的目标。应用Matlab/Simulink进行完整的风力发电系统的仿真研究,结果证明了所建模型的正确性。