基于分量分治的风电功率超短期组合预测方法

发布时间：2020-05-19 19:30

【摘要】：风能作为一种新型能源受到了广泛的关注,但是风电机组输出功率受外界因素影响较大,有较大的波动性和不确定性,尤其是短时波动剧烈,使得超短期风电功率预测的精度不高。现有的超短期风电功率预测方法没有充分考虑不同频率风速分量和风向对预测精度的影响,本文计及风向的作用,提出了一种基于分量分治的风电功率超短期组合预测方法。本文的主要工作如下:第一,提出了一种基于分量分治的超短期风电功率预测框架。研究发现以下两种因素综合影响机组功率:一方面,由于机组惯性和动态性能的影响,不同频率的风速对机组功率有不同影响,并且,不同频率的风速分量的不确定性程度有差异;另一方面,风电机组置于风电场中,受阻隔物机组偏航等因素的影响,相同风速而不同风向时,机组输出功率也有差异。据此,本文设计的风电机组超短期功率预测框架为:首先对风速和功率进行分解,得到不同频率的分量,然后综合风向的作用,采用神经网络建立风速分量到功率分量的预测模型,实现分量分治,最后将各功率分量预测的结果融合成机组输出功率的预测值。第二,提出了一种结合小波包分解和集合经验模态分解的组合分解方法。在所提出的分解方法中,首先对原始风电机组运行数据做小波包分解处理,将原始数据分解为高频分量和低频分量;然后对得到的高频分量进行集合经验模态分解,将高频分量分解为平缓的本征模态函数分量。通过小波包分解和集合经验模态分解相结合,对原始风速和风电功率数据进行逐级分解,将原始数据分解为平稳的分量信号。最后,结合风电场的实测数据,验证所提出组合分解方法对风电功率预测的可行性。第三,提出了一种考虑风向的Elman神经网络功率预测方法。在所提出的预测方法中,首先基于小波包分解得到的低频分量和小波包分解得到的高频分量经集合经验模态分解得到的本征模态函数分量分别建立Elman神经网络预测模型,考虑风向对风电功率预测的影响,将风向数据作为Elman神经网络的一个输入向量,对风电功率分量进行预测,然后采用神经网络将风电功率预测分量进行融合,得到最终的预测超短期风电功率。最后,结合风电场的监控数据,验证考虑风向的Elman神经网络功率预测方法的准确性。第四,对本文提出的基于分量分治的风电功率超短期组合预测方法进行测试与改进。测试结果表明,结合小波包分解和集合经验模态分解的组合分解方法能够将波动的原始风速和风电功率数据逐级分解为平稳的分量,降低风电机组数据的波动性对预测结果的影响,能够提高风电功率预测精度;另外,考虑风向的影响,采用分解得到的不同频率的风速分量分别基于Elman神经网络对风电功率分量进行预测建模,并且将功率预测分量通过神经网络进行融合的方法能够进一步提高风电功率预测精度,更加准确的反映风电功率的变化趋势。
【图文】：

功率曲线,风电,风速,风电机组

风电功率物理预测预测方法

偏航控制,工作原理,风电机组

图 2-2 偏航控制工作原理风电机组的偏航系统在工作时，对风向变化的调节有一个动作死区，，偏统的控制死区如图 2-3 所示，对于风电机组来说，图中的虚线方向为与风电叶片的垂直的方向，当风向在该方向上时，风电机组能够获得最大的风能。向发生改变时，若风向改变的角度较小，与图中虚线夹角小于 θ 时，由于风片惯性较大，且偏航系统进行调节的话运行成本较高，则对处于此角度范围的风电机组不进行偏航调节，当风向在该角度范围之外时，进行偏航控制，风机的方向，使其对准风向。
【学位授予单位】：湘潭大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM614

【相似文献】