考虑风机布局的风场出力预测研究

发布时间：2020-09-28 19:06

　　风电场出力的不确定性是制约风电场大规模发展的因素之一,准确的风电场出力预测具有重要的意义,调度部门根据预测值提前调整调度计划,减小系统的储备容量等。因此,提高风电场功率预测的准确度成为了研究的重点内容。风电场的尾流效应对风电场的年发电量有着很大的影响,考虑风机布局对风电场功率预测具有重要的意义。本文从新的角度提出风机尾迹的计算方法,通过改进的粒子群算法进行风电场布局寻优,将优化后的风机布局作为风电场功率预测的影响因素之一,最后利用改进的小世界神经网络进行风电场功率预测。首先,建立尾流风速矢量迭代模型,考虑由空气黏度决定的静态尾流效应所占比例较大时,通过迭代尾流的风速和风向,得到更加准确的尾流效应影响区域。针对风电厂布局及尾流效应特性之间关系,提出了基于粒子群算法的尾流风速矢量的风机布局优化方法。首先将风电机组进行分簇,根据尾流风速矢量进行簇内风机布局优化,再将每个优化后的种群进行簇间优化,得到优化后的风机布局。通过对风机分簇,降低了计算量,提高算法计算效率。最后根据优化后的风机布局进行Solidworks建模,利用CFX流体仿真模拟风电的尾流效应,并将优化前后的风电场仿真结果进行对比,验证优化结果的正确性。然后,将风机叶片的桨距角和偏航角度作为风机布局的控制变量,建立风机布局的动态鲁棒控制模型。通过动态控制风机的桨距角和偏航角度,确保下游风机免于尾流效应的影响,在时间尺度上优化风场布局,使风场功率输出最大化。鉴于动态鲁棒估计求解计算量非常巨大,根据高斯牛顿求解方法,提出基于风机桨距角和偏航角控制的全局鲁棒估计算法,通过计算耦合矩阵P间接求解控制方程,进而实现了计算效率高,计算量小的目的。最后,建立了小世界神经网络预测模型,给出模型的数学模型及其拓扑结果,其特点是有较小的平均路径长度和较大的聚类系数。将风机布局,数值天气预报,历史功率序列等作为小世界神经网络的输入层进行风场出力预测,通过不同预测模型的预测误差以及预测计算时间的对比,验证小世界神经网络具有较高的预测精度,虽然预测时间相比其他模型计算时间较长,但对于短期预测的时间要求,模型预测时间可以接受。
【学位单位】：沈阳工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TM614
【部分图文】：

总容量,装机容量

图 1.1 2006-2016 年间每年装机容量以及总容量Fig. 1.1Annual installed capacity and total capacity between 2006 and 2016图 1.2 2006-2016 年间我国每年装机容量以及总容量Fig. 1.2 China's annual installed capacity and total capacity between 2006 and 2016

总容量,装机容量,风电场

2图 1.2 2006-2016 年间我国每年装机容量以及总容量Fig. 1.2 China's annual installed capacity and total capacity between 2006 and 2016准确预测风电场功率输出具有如下意义：（1）更加准确的风电场功率预测能够帮助调度合理调整调度计划，电网运行，可靠。（2）由于风电场功率输出预测不准确，导致风电场出力不具有入网功率的致使风电入网竞价难以得到证，降低风电场市场竞争性，限制了风电场大规准确的功率预测为风电功率上网竞争提供保障，增加风电场竞争力[7]。

风电场

数[11]，为了实现优化目标，作者将风电场分为有限个正方形区域，每个轮直径，每台风电机放置在每个区域的中心位置，将区域按顺序展开，进行区域的二进制表示，“1”表示区域内放置风电机组，相反“0”代3（a）所示。采用遗传算法进行参数优化时，将原始风电场布局的二进传算法的初始群体，经过算法的交叉变异后向着最优解进化，最后根据为风电场风机组布局位置[12]。究表明在预测中引入更加高效的启发式搜索算法以及增加群体数量能够的预测结果，这种寻优算法在实际工程中的应用同样得到了验证，在实需要对风电场具体参数进行更加详细的计算。婪算法在风电场布局优化中也经常被采用，第一步在风电场内放置第一续放置第二台风机，这样逐一进行放置优化，每次优化均针对一台风机以计算量相对较小，最后计算得到最优的布局，但是优化计算需要花费较多。除此之外，蒙特卡罗方法、粒子群算法等也常常用于布局优化[1

【相似文献】