论文部分内容阅读
大型风电场的风电功率输出具有波动性,风电功率的波动性在并网时会冲击电力系统,影响电力系统的安全、稳定和经济运行,对电力系统安全稳定运行带来挑战,风电功率预测可以跟踪风电场的风电功率输出并进行功率预测,使电力系统合理作出调度计划,是解决该问题的有效方法之一。一般的风电功率预测方法用风电场内特定风机位置的风况来代表整个风电场的风况进行预测,但对大型风电场而言,该预测方法难以保证风电场功率的预测精度;若对风电场内每台风电机组进行建模预测,则预测的计算时间过长,无法满足电力系统对风电场功率预测的要求。对大型风电场的风电机组进行分类,将风电场内特性相近的风电机组划分为一类,用机组分类的结果来进行风电场功率预测,可提高预测精度、降低预测过程的复杂度和预测时间。因此,基于大型风电场机组分类的功率预测研究是大型风电场提高风电预测预测精度、改善计算效率的方法之一。本文研究了基于大型风电场机组分类的功率预测问题,主要工作包括:(1)利用K-means聚类算法建模,对算例33台风电机组进行分类聚类仿真,得到了机组分类数目K=3~7的聚类结果。利用聚类算法的分类评价指标戴维森堡丁(DBI)指数确定了算例风电场33台机组最佳分类数目。(2)分析了算例实测风电功率的物理特性,其波动性特征最为明显,为了便于聚类模型的计算,提高聚类精度,利用经验模态分解(EMD)对实测风电功率数据进行分解,将复杂的实测风电功率数据分解为易于建模的本征模态分量(IMF)和残差值分量矩阵。(3)基于EMD构建改进的K-means聚类算法模型,用改进的聚类算法对算例33台风电机组进行分类聚类仿真,得到了机组分类数目K=3~7的聚类结果。利用分类评价指标DBI指数确定了在改进聚类算法中的机组最佳分类数目;并比较了在分类数目K给定时聚类算法改进前后的优劣,结果表明,基于EMD的改进K-means聚类算法聚类合理性更高、效果更好。(4)基于用改进聚类算法进行机组分类的分类结果,建立了具有较强适用性的风电功率预测模型,比较基于机组分类和未经分类两种模式下的功率预测结果,结果证明了基于机组分类的功率预测精度更高,预测时间更短。