论文部分内容阅读
我国地域辽阔,风能资源丰富,多风带地区大约占全国总面积的三分之二,若充分利用风力资源将对社会的经济发展和人们的生存生活产生重要的影响。由于风速随机性大、波动性和间歇性较强的特点,容易对电网的安全和稳定运行造成巨大的影响。风速过大直接影响风电穿越功率较大时,将严重影响电力系统的安全。在实际风电并网与电力系统调度中,可靠的风电功率预测既可降低风电波动性对经济性的影响,又能保证风电接入后电力系统运行的安全性和稳定性。本文基于上述背景,分别从提高超短期风功率预测精度和考虑风电功率预测误差的电力系统经济优化调度两方面进行研究分析,主要包括以下内容:(1)论文从时间尺度和预测方法上对风功率预测进行划分,确定采用启发式算法优化极限学习机的方法预测超短期的风功率。从密度公式、物理角度等方面对影响风电输出功率的因素进行分析,最终确定以风速、风向、温度以及密度作为预测超短期风功率的主要影响特征。(2)模拟樽海鞘群觅食行为,利用樽海鞘群算法在迭代过程中可对参数寻优的特点,优化极限学习机的输入权值矩阵及隐含层偏差值,从而提高预测模型的适应性和准确性。分别采用樽海鞘群优化极限学习机(SSA-ELM)和粒子群优化极限学习机(PSO-ELM)对风电场的输出功率预测建模,通过仿真分析,确定SSA-ELM的隐含层节点数为30、迭代次数为300。并对PSO-ELM进行简单的仿真训练,为实例分析奠定基础。(3)选用河南省某风电场的历史数据,进行数据预处理。分别通过不同样本容量和FCM聚类的相似日实例进行样本集选取,确定与预测日相似度较高的5个历史日作为训练集。利用ELM、SSA-ELM、PSO-ELM和BP神经网络建立超短期风功率预测模型,分别选择四季中的4天作为预测日,结合平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R~2)的误差评价指标,发现SSA-ELM模型预测效果更好。根据相关文件中规定的风电场按要求每15分钟滚动上报未来15分钟至4小时的风电功率预测数据,提出以4小时为时间尺度的超短期风功率预测的滚动误差分析,SSA-ELM的MAPE、RMSE、MAE均值分别为0.24、2.8、0.18,再次证明该预测模型的精度较高。(4)根据风电并网对电力系统经济调度的影响,结合风电并网调度的管理办法及要求,在提高风电功率预测精度的前提下,确立将风力发电加入目标函数的调度模型,采用PSO算法对考虑风电功率预测误差的电力系统优化调度模型进行求解。通过数据分析,含风电并网的发电成本比传统发电成本降低了4017.67$。该结果表明,具有较高精度的超短期风功率预测不仅提高了风电场的输出功率的利用率,有效地降低电力系统的发电成本,对于风电并网的研究有着重要意义。