论文部分内容阅读
世界各国将开发风能作为解决化石能源危机、环境污染等问题的一项重要能源战略。随着风电渗透率持续上升,间歇性和波动性的风电出力对电力系统稳定性、电能质量与调度等方面带来诸多挑战,导致弃风、限电的问题愈发严重。本文以如何降低风电对电网的负面影响,提高风电消纳能力为研究目标,围绕风速预测技术与储能配置技术展开研究,力求通过提高预测可信度和利用储能对电能的时间迁移能力,抑制风电波动对电网的影响,主要开展和完成以下研究工作。针对非线性、非平稳性风电时间序列,研究了短时傅里叶变化、小波变换和Hilbert-Huang变换三种时频分析方法的特征,重点分析了变分模态分解原理与信号分解过程。根据不同方法对参考信号的时频分析结果,验证了变分模态分解具有较高时频分辨率。通过建立以模态函数最小平均包络熵为适应度函数和增强粒子群算法,提出了改进变分模态分解方法,以克服变分模态分解效果受分量个数K与惩罚因子α的影响。对比小波分解、经验模态分解和改进变分模态分解对实际风速/功率时间序列的分析结果,表明改进变分模态分解能够为建立超短期风速/功率预测模型提供有力的预处理数据支持。通过研究不同类型预测模型的建模理论和性能特点,将时效性强、可快速更新预测模型参数的宽度学习系统引入超短期风速预测研究,提出了分数自回归求和滑动平均-宽度学习系统、改进变分模态分解-宽度学习系统模型和子序列重构-宽度学习系统3种超短期风速组合预测模型。在分数自回归求和滑动平均模型对长相关性风速时间序列分析的基础上,建立了分数自回归求和滑动平均-宽度学习系统预测模型。仿真分析表明,该模型的超短期风速预测精度优于单一风速预测模型。改进变分模态分解-宽度学习系统预测模型采用改进变分模态分解方法对风速时间序列进行预处理,降低了模型输入数据的复杂性与建模难度,提高了风速预测模型精度。子序列重构-宽度学习系统预测模型结合样本熵理论,通过样本熵评估各子序列的复杂度,自适应选择与重构高、低熵值子序列,分别使用宽度学习系统与自回归求和滑动平均模型对高、低熵子序列独立建模。仿真实验结果表明,该方法可有效降低建模规模,提高预测精度和效率。为抑制风电输出功率波动对电网的不利影响,提出了平抑风电功率波动的混合储能系统容量配置方法。依据风电输出功率数据频谱分析结果,通过递推计算获得满足并网功率波动率条件的储能系统最佳截止频率和最小吸收功率。设计了由蓄电池和超级电容器构成混合储能系统,以应对储能系统输出功率波动性大、随机性强的特点。基于不同储能装置的特点,确定了蓄电池和超级电容器的工作频段范围,实现储能系统吸收功率配置。依据储能吸收功率分配结果,结合储能装置充/放电效率与荷电状态限制,计算出满足波动率约束的蓄电池和超级电容器额定功率与容量。仿真实验表明,验证了本文提出的混合储能系统容量配置方法对风电功率波动平抑的有效性。根据蓄电池和超级电容器构成混合储能系统的技术特征,设计了经济性容量配置优化模型。提出了以蓄电池操作周期和蓄电池吸收功率截止频率为约束的功率分配策略,结合蓄电池容量调整系数,以提高系统中蓄电池寿命。分析了蓄电池寿命损耗因素,根据放电深度、循环寿命和电池电量吞吐量的关系,构建了蓄电池放电深度-循环寿命拟合函数、蓄电池寿命损失计算模型和超级电容器等效循环寿命简化计算模型,提出了以最小日均成本为目标函数的容量配置模型。建立了混合并行PSO-GA优化算法,以提高混合储能系统容量配置模型的计算精度与效率。仿真实验结果表明,优化后的蓄电池、超级电容器功率与容量,能够满足有功功率波动要求,可有效提高储能寿命和降低系统成本。