论文部分内容阅读
近些年来,风电已成为我国发展最快的新型能源之一。风速和风向的快速变化导致风力发电具有较高的随机性、波动性与不平稳性,增加了电网调度的难度,且严重影响了电力系统的安全运行。准确的风力发电功率预测直接关系到电网的安全运行,影响着并网系统的运行成本。针对国内很多风电场的超短期发电功率预测精度不能满足国家电网运行调度的需求,和大多数文章在研究风电场超短期功率预测时,存在着预测时长不够或随着预测时长的增加而精度下降较快等问题,本文研究主要从以下几个方面展开:(1)介绍了风能和风电机组的特性及相关的一些参数,总结了对风力发电功率预测的准确性影响较大的各个因素,介绍了本文中风电场超短期发电功率预测的基本思路。(2)风速时间序列具有波动性和不平稳性,多数风速预测模型对风速时间序列的响应能力不足,从而影响了预测的精度。对此本文采用变分模态分解(Variational Mode Decomposition,VMD)算法对风速时间序列数据进行分解,得到了一系列具有不同特征信息且相对较平稳的固有模态分量(Intrinsic Mode Function,IMF),为后续的风速预测做好准备。(3)风电功率预测的重点在于建立合适的模型,对此本文提出了基于变分模态分解的超短期风速多步预测深度学习模型,该模型先利用VMD算法将风速时间序列分解为一系列相对较平稳的子序列,再利用深度置信网络(Deep Belief Network,DBN)根据分解后子序列的特点分别建模,通过分析风速多步预测时误差的累积形式,采取直接多步法对各分量进行多步预测,最后将各个分量的预测结果进行叠加得到风速预测结果。以风电场的历史风速数据为基础,通过与另外3种方法进行对比,验证了模型的有效性。(4)通过分析风电场实际的发电功率特性,建立了基于支持向量回归机(Support Vector Regression,SVR)的风力发电功率预测模型,将风速超前多步预测的结果输入模型实现了风电场超短期发电功率的预测,并根据风电场的实际工况对预测结果进行修正,仿真结果表明,利用该模型得到的风电场超短期功率预测结果满足国家电网相关规定。