大型风电场风电功率预测的研究

大型风电场风电功率预测的研究

论文摘要

风电场的动力来自于风,而风具有随机性、波动性和不可控性等自然属性,这导致风电场的出力也具有上述特性。随着我国风电产业的迅速发展,风电场大规模建立,当风电场的装机容量占系统总容量达到一定比例时,风电场出力的随机性和波动性会对电网造成较大的冲击,严重影响电网的电能质量和电力系统的正常运行。如果能对风电场风电功率进行提前预测,从电网侧考虑,电力调度部门则能够依据风电场出力的变化及时调整发电计划,从而保证整个系统的供需平衡以及电网的安全稳定运行;从发电侧考虑,风电场功率预测可以为竞价上网提供依据,也可以在功率出力较小的情况下,安排机组维护检修,保证风电机组的合理运行。目前针对风电功率预测领域的研究越来越广泛和深入,这对促进我国风电产业的壮大具有重要作用。本文首先对国外的风电发展状况做了简单介绍,对当前的风电功率预测情况进行了概括,在此基础上首次提出基于着色Petri网的风电功率预测方法,文章主要内容包括:1、在分析风速及风电场功率相关特性的基础上,建立了基于改进BP神经网络的风电功率预测模型。在风速预测模型上,分别证明了预测周期的差异和风速自身波动性的大小对于预测结果的影响;在功率预测模型上,分别实现了两种不同途径的功率预测方法,并对这两种预测结果进行了详细分析。2、首次提出了基于着色Petri网(CPN)的风电功率预测方法,并在MATLAB中编程实现了预测模型,并结合实例分析比对了与BP模型的预测结果,证明了基于着色Petri网的风电功率预测有效性。3、针对单因子风电功率预测准确性的不足,详细分析了影响风电场出力的多因子之间相互关系,并在此基础上,分别运用了BP神经网络与着色Petri网的方法,建立了基于多因子的风电功率预测模型,并对各个组合因子的预测结果进行了详尽分析,得出了最佳因子组合的预测模型。4、在以上各预测模型实例分析的基础上,总结对比了各模型的优劣势,分析了各个模型适应的具体环境,并对进一步的风电功率预测提出了展望。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  • 1.1 研究背景及意义
  • 1.1.1 选题背景
  • 1.1.2 理论意义和应用价值
  • 1.2 世界风电发展状况
  • 1.2.1 国外风电发展状况
  • 1.2.2 国内风电发展状况
  • 1.3 风电功率预测现状
  • 1.3.1 国外风电预测现状
  • 1.3.2 国内风电预测现状
  • 1.4 本文的主要研究内容
  • 2 风电功率预测基础
  • 2.1 风资源特性
  • 2.1.1 风速的模型
  • 2.1.2 风速的变化
  • 2.1.3 风向的含义
  • 2.1.4 风速的自相关性
  • 2.2 风速与功率关系
  • 2.2.1 风能的计算
  • 2.2.2 风力发电功率的计算
  • 2.3 风电功率预测含义
  • 2.3.1 风电功率预测的概念
  • 2.3.2 风电功率预测的对象
  • 2.3.3 风电功率预测的周期
  • 2.4 预测的基本原理
  • 2.4.1 定性预测技术
  • 2.4.2 定量预测技术
  • 2.5 风电功率预测的方法
  • 2.5.1 按输入要素分类
  • 2.5.2 按数学模型分类
  • 2.6 本章小结
  • 3 基于BP 神经网络的预测模型
  • 3.1 神经网络简述
  • 3.2 神经网络模型与结构
  • 3.2.1 神经元模型
  • 3.2.2 神经网络学习规则
  • 3.3 BP 网络模型及其算法实现
  • 3.3.1 BP 网络模型及常规算法
  • 3.3.2 改进型BP 网络算法
  • 3.4 基于改进的BP 神经网络预测模型的建立
  • 3.4.1 数据预处理
  • 3.4.2 BP 神经网络结构参数的选取
  • 3.4.3 建立误差评价指标
  • 3.5 实例分析
  • 3.5.1 风速预测实现
  • 3.5.2 功率预测实现
  • 3.6 本章小结
  • 4 基于有色Petri 网络的预测模型
  • 4.1 有色Petri 网简述
  • 4.2 有色Petri 网(CPN)网络结构
  • 4.3 CPN 算法实现
  • 4.4 CPN 网络的改进
  • 4.5 基于CPN 预测模型的建立
  • 4.6 实例分析
  • 4.6.1 基于改进的CPN 风电功率预测模型
  • 4.6.2 与BP 预测模型对比分析
  • 4.7 本章小结
  • 5 基于多影响因子的预测模型
  • 5.1 影响因子关系分析
  • 5.1.1 输出功率与风向的关系分析
  • 5.1.2 输出功率与空气密度的关系分析
  • 5.1.3 输出功率与地表粗糙度的关系分析
  • 5.1.4 风电场空气密度与温度、气压关系分析
  • 5.1.5 风电场空气密度与湿度关系分析
  • 5.2 多影响因子的预测模型的建立
  • 5.2.1 方案构思
  • 5.2.2 数据预处理
  • 5.2.3 建立误差评价指标
  • 5.3 实例分析
  • 5.4 本章小结
  • 6 结论与展望
  • 6.1 结论
  • 6.2 展望
  • 参考文献
  • 致谢
  • 攻读学位期间取得的研究成果
  • 相关论文文献

    • [1].风电功率概率预测研究综述[J]. 东北电力大学学报 2020(02)
    • [2].计及风向信息的风电功率异常数据识别研究[J]. 太阳能学报 2019(11)
    • [3].基于约翰森协整及格兰杰因果检验的风电功率关键要素辨识与预测方法[J]. 供用电 2019(12)
    • [4].风电功率组合预测技术研究综述[J]. 气象科技进展 2016(06)
    • [5].基于人工鱼群优化算法的支持向量机短期风电功率预测模型[J]. 电气工程学报 2016(10)
    • [6].基于混沌理论的风电功率超短期多步预测的误差分析[J]. 电力系统保护与控制 2017(04)
    • [7].基于风电功率周期特性的组合预测研究[J]. 太阳能学报 2016(07)
    • [8].基于相似性修正的风电功率爬坡事件预测方法[J]. 中国电机工程学报 2017(02)
    • [9].基于t Location-Scale分布的风电功率概率预测研究[J]. 中国电力 2017(01)
    • [10].风电功率预测信息在日前机电组组合中的应用[J]. 建材与装饰 2017(07)
    • [11].基于近似熵的风电功率可预测性研究[J]. 太阳能学报 2016(10)
    • [12].基于改进的灰色模型和支持向量机的风电功率预测[J]. 沈阳大学学报(自然科学版) 2017(03)
    • [13].风电功率预测技术研究综述[J]. 现代电力 2017(03)
    • [14].基于改进马尔科夫链的风电功率时间序列模型[J]. 电力建设 2017(07)
    • [15].基于思维进化算法的风电功率预测研究[J]. 计算技术与自动化 2017(02)
    • [16].基于集对分析聚类法的超短期风电功率区间预测[J]. 可再生能源 2017(09)
    • [17].考虑风力发电随机性的超短期风电功率区间预测研究[J]. 太阳能学报 2017(05)
    • [18].超短期风电功率爬坡事件对风电功率实时预测误差的影响研究[J]. 太阳能学报 2017(03)
    • [19].风电功率概率预测方法及展望[J]. 电力系统自动化 2017(18)
    • [20].基于模糊粒计算的风电功率实时预测研究[J]. 东北电力大学学报 2017(05)
    • [21].新生儿静息与任务脑电功率的发展比较研究[J]. 中国儿童保健杂志 2016(05)
    • [22].风电功率短时骤降的极值统计分析[J]. 电力系统保护与控制 2015(07)
    • [23].飞轮储能在风电功率预测系统中的应用探究[J]. 河北工业大学学报 2015(02)
    • [24].风速及风电功率预测研究综述[J]. 山东电力技术 2015(07)
    • [25].核心素养理念下优化物理实验探究过程的思考与实践——以《测量小灯泡的电功率》为例[J]. 中学生数理化(自主招生) 2020(Z1)
    • [26].解读电功率[J]. 中学生数理化(初中版.中考版) 2018(12)
    • [27].电功率的解题思考[J]. 数理化学习(初中版) 2018(11)
    • [28].V变I变P更变数学巧解电功率[J]. 数理化学习(初中版) 2019(11)
    • [29].谈谈电功率[J]. 数理化学习(初中版) 2009(01)
    • [30].好好认知电功率[J]. 数理化学习(初中版) 2010(03)

    标签:;  ;  ;  ;  

    大型风电场风电功率预测的研究
    下载Doc文档

    猜你喜欢