含风电场的电力系统功率预测与优化调度研究
发布时间：2020-12-15 08:03
以可再生能源替代化石能源,是解决现阶段人类面临的能源危机和环境污染问题的根本措施。在我国可再生能源发展过程中,风力发电技术逐渐成熟,而且发电成本低,易实现大规模产业化发展,已经逐步成为能源与环境可持续发展的重要力量。但是,受到自然因素的影响,风电的间歇性与波动性较为明显,难以把握并网风力发电的不确定性特征。进而,给电力系统的调度和控制决策带来严峻挑战。提高风电功率预测水平、建立合理的风电并网下的电力系统优化调度策略,能够提升风电资源利用率,降低风电并网对电力系统造成的冲击。在此背景下,本文围绕含风电的电力系统风电功率预测方法和多目标优化调度问题进行深入研究,主要工作和创新成果如下:(1)提出了基于共轭梯度算法优化神经网络的新型风电功率预测方法。首先,分析了传统神经网络模型当数据量增大、收敛时间增长和迭代次数增加时给风电功率预测准确度和优化控制灵敏度带来的影响。然后,构造了基于共轭梯度算法的神经网络优化模型,在神经网络训练过程中,采用共轭梯度算法对模型参数进行优化,该方法可克服传统前馈神经网络基于最速下降法训练的缺点,避免了传统预测模型易陷入局部最优的问题,有效提高了风电功率预测精度、模...
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：博士
【部分图文】：
图１－２中国可再生能源消费量??Ｆｉｇ．?１－２?Ｒｅｎｅｗａｂｌｅ?ｅｎｅｒｇｙ?ｃｏｎｓｕｍｐｔｉｏｎ?ｉｎ?Ｃｈｉｎａ??在此背景下，风电等可再生能源正在大规模逐步并入电网，国家能源局发布了??相关数?
，层和隐含层节点数，在ＢＰ神经网络的训练过程中，采用共轭梯度算法对网络的权值和阚值进行优化设计，从而解决训练过程中易陷入局部收敛的，完成神经网络的训练，并将其应用于风电输出功率的预测。流程图如图２－４基于共轭梯度算法的预测模型在风力发电预测中的应用??以内蒙古某风电场２０１４年连续两个月的实测数据为例，该风电场风电出定值在１５０ＭＷ左右，机组的数据采样周期为１５分钟，以小时为单位对测据进行平均化处理，以得到每个时段的均值，共采集１４３０个数据，将这些作为原始数据序列。??为了衡量预测模型随着预测长度增加，预测结果的变化情况，分别从原据序列中取两组不同长度的样本进行预测，第一组取第８００－１４００共６００个和第二组取第１２４０－１３８０共１４０个数据，对模型面对不同规模数据时的预力进行测试与分析，两组数据初始序列如图２－５和图２－６所示；仿真实验ｎｔｉｕｍ?Ｄｕａｌ－Ｃｏｒｅ?２．５０Ｇ?ＣＰＵ，?１．９６Ｇ?内存计算机上采用?ＭＡＴＬＡＢ７．０?软件进
入层和隐含层节点数，在ＢＰ神经网络的训练过程中，采用共轭梯度算法对神??经网络的权值和阚值进行优化设计，从而解决训练过程中易陷入局部收敛的问??题，完成神经网络的训练，并将其应用于风电输出功率的预测。流程图如图２－４。??２．４基于共轭梯度算法的预测模型在风力发电预测中的应用??以内蒙古某风电场２０１４年连续两个月的实测数据为例，该风电场风电出力??稳定值在１５０ＭＷ左右，机组的数据采样周期为１５分钟，以小时为单位对测试??数据进行平均化处理，以得到每个时段的均值，共采集１４３０个数据，将这些数??据作为原始数据序列。??为了衡量预测模型随着预测长度增加，预测结果的变化情况，分别从原始??数据序列中取两组不同长度的样本进行预测，第一组取第８００－１４００共６００个数??据和第二组取第１２４０－１３８０共１４０个数据，对模型面对不同规模数据时的预测??能力进行测试与分析，两组数据初始序列如图２－５和图２－６所示；仿真实验在??Ｐｅｎｔｉｕｍ?Ｄｕａｌ－Ｃｏｒｅ?２．５０Ｇ?ＣＰＵ
【参考文献】：
期刊论文
[1]基于改进混沌粒子群算法的多源独立微网多目标优化方法[J]. 苏适,周立栋,陆海,陈奇芳,严玉廷,N.A.Engerer,王飞. 电力系统保护与控制. 2017(23)
[2]基于回归分析和虚拟变量的短期用电量预测管理模型[J]. 李凯,赵滨滨,曹占峰,刘展展,曹云峰. 电气应用. 2017(02)
[3]基于改进CFD与小波混合神经网络组合的风电场功率预测方法[J]. 崔嘉,杨俊友,杨理践,高凯旻,宋志成,高子昂. 电网技术. 2017(01)
[4]基于改进多目标引力搜索算法的电力系统环境经济调度[J]. 戚建文,任建文,翟俊义. 电测与仪表. 2016(18)
[5]灰色预测技术研究进展综述[J]. 党耀国,王俊杰,康文芳. 上海电机学院学报. 2015(01)
[6]基于GA优化SVM的风电功率的超短期预测[J]. 刘爱国,薛云涛,胡江鹭,刘路平. 电力系统保护与控制. 2015(02)
[7]关于风电不确定性对电力系统影响的评述[J]. 薛禹胜,雷兴,薛峰,郁琛,董朝阳,文福拴,鞠平. 中国电机工程学报. 2014(29)
[8]微电网复合储能多目标优化配置方法及评价指标[J]. 谭兴国,王辉,张黎,邹亮. 电力系统自动化. 2014(08)
[9]计及风电成本的电力系统动态经济调度[J]. 翁振星,石立宝,徐政,卢强,倪以信,姚良忠. 中国电机工程学报. 2014(04)
[10]基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 王贺,胡志坚,陈珍,仉梦林,贺建波,李晨. 电工技术学报. 2013(09)
博士论文
[1]电力系统环境经济优化调度研究[D]. 朱永胜.郑州大学 2016
[2]适合风电接入电力系统的中短期发电调度模型与方法[D]. 夏澍.华北电力大学 2014
[3]风电短期功率预测与并网多目标调度优化研究[D]. 王贺.武汉大学 2014
[4]多电压源型微源组网的微电网运行控制与能量管理策略研究[D]. 鲍薇.中国电力科学研究院 2014
[5]风电输出功率预测方法与系统[D]. 刘兴杰.华北电力大学 2011
[6]含风电场的电力系统动态经济调度问题研究[D]. 周玮.大连理工大学 2010
[7]多目标进化算法的研究及其在负荷分配中的应用[D]. 刘立衡.华北电力大学（北京） 2010
硕士论文
[1]风电功率概率特征建模及风险分析应用[D]. 孙景文.山东大学 2016
[2]基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究[D]. 蔡祯祺.浙江大学 2012
本文编号：2917949
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：博士
【部分图文】：
图１－２中国可再生能源消费量??Ｆｉｇ．?１－２?Ｒｅｎｅｗａｂｌｅ?ｅｎｅｒｇｙ?ｃｏｎｓｕｍｐｔｉｏｎ?ｉｎ?Ｃｈｉｎａ??在此背景下，风电等可再生能源正在大规模逐步并入电网，国家能源局发布了??相关数?
，层和隐含层节点数，在ＢＰ神经网络的训练过程中，采用共轭梯度算法对网络的权值和阚值进行优化设计，从而解决训练过程中易陷入局部收敛的，完成神经网络的训练，并将其应用于风电输出功率的预测。流程图如图２－４基于共轭梯度算法的预测模型在风力发电预测中的应用??以内蒙古某风电场２０１４年连续两个月的实测数据为例，该风电场风电出定值在１５０ＭＷ左右，机组的数据采样周期为１５分钟，以小时为单位对测据进行平均化处理，以得到每个时段的均值，共采集１４３０个数据，将这些作为原始数据序列。??为了衡量预测模型随着预测长度增加，预测结果的变化情况，分别从原据序列中取两组不同长度的样本进行预测，第一组取第８００－１４００共６００个和第二组取第１２４０－１３８０共１４０个数据，对模型面对不同规模数据时的预力进行测试与分析，两组数据初始序列如图２－５和图２－６所示；仿真实验ｎｔｉｕｍ?Ｄｕａｌ－Ｃｏｒｅ?２．５０Ｇ?ＣＰＵ，?１．９６Ｇ?内存计算机上采用?ＭＡＴＬＡＢ７．０?软件进
入层和隐含层节点数，在ＢＰ神经网络的训练过程中，采用共轭梯度算法对神??经网络的权值和阚值进行优化设计，从而解决训练过程中易陷入局部收敛的问??题，完成神经网络的训练，并将其应用于风电输出功率的预测。流程图如图２－４。??２．４基于共轭梯度算法的预测模型在风力发电预测中的应用??以内蒙古某风电场２０１４年连续两个月的实测数据为例，该风电场风电出力??稳定值在１５０ＭＷ左右，机组的数据采样周期为１５分钟，以小时为单位对测试??数据进行平均化处理，以得到每个时段的均值，共采集１４３０个数据，将这些数??据作为原始数据序列。??为了衡量预测模型随着预测长度增加，预测结果的变化情况，分别从原始??数据序列中取两组不同长度的样本进行预测，第一组取第８００－１４００共６００个数??据和第二组取第１２４０－１３８０共１４０个数据，对模型面对不同规模数据时的预测??能力进行测试与分析，两组数据初始序列如图２－５和图２－６所示；仿真实验在??Ｐｅｎｔｉｕｍ?Ｄｕａｌ－Ｃｏｒｅ?２．５０Ｇ?ＣＰＵ
【参考文献】：
期刊论文
[1]基于改进混沌粒子群算法的多源独立微网多目标优化方法[J]. 苏适,周立栋,陆海,陈奇芳,严玉廷,N.A.Engerer,王飞. 电力系统保护与控制. 2017(23)
[2]基于回归分析和虚拟变量的短期用电量预测管理模型[J]. 李凯,赵滨滨,曹占峰,刘展展,曹云峰. 电气应用. 2017(02)
[3]基于改进CFD与小波混合神经网络组合的风电场功率预测方法[J]. 崔嘉,杨俊友,杨理践,高凯旻,宋志成,高子昂. 电网技术. 2017(01)
[4]基于改进多目标引力搜索算法的电力系统环境经济调度[J]. 戚建文,任建文,翟俊义. 电测与仪表. 2016(18)
[5]灰色预测技术研究进展综述[J]. 党耀国,王俊杰,康文芳. 上海电机学院学报. 2015(01)
[6]基于GA优化SVM的风电功率的超短期预测[J]. 刘爱国,薛云涛,胡江鹭,刘路平. 电力系统保护与控制. 2015(02)
[7]关于风电不确定性对电力系统影响的评述[J]. 薛禹胜,雷兴,薛峰,郁琛,董朝阳,文福拴,鞠平. 中国电机工程学报. 2014(29)
[8]微电网复合储能多目标优化配置方法及评价指标[J]. 谭兴国,王辉,张黎,邹亮. 电力系统自动化. 2014(08)
[9]计及风电成本的电力系统动态经济调度[J]. 翁振星,石立宝,徐政,卢强,倪以信,姚良忠. 中国电机工程学报. 2014(04)
[10]基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 王贺,胡志坚,陈珍,仉梦林,贺建波,李晨. 电工技术学报. 2013(09)
博士论文
[1]电力系统环境经济优化调度研究[D]. 朱永胜.郑州大学 2016
[2]适合风电接入电力系统的中短期发电调度模型与方法[D]. 夏澍.华北电力大学 2014
[3]风电短期功率预测与并网多目标调度优化研究[D]. 王贺.武汉大学 2014
[4]多电压源型微源组网的微电网运行控制与能量管理策略研究[D]. 鲍薇.中国电力科学研究院 2014
[5]风电输出功率预测方法与系统[D]. 刘兴杰.华北电力大学 2011
[6]含风电场的电力系统动态经济调度问题研究[D]. 周玮.大连理工大学 2010
[7]多目标进化算法的研究及其在负荷分配中的应用[D]. 刘立衡.华北电力大学（北京） 2010
硕士论文
[1]风电功率概率特征建模及风险分析应用[D]. 孙景文.山东大学 2016
[2]基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究[D]. 蔡祯祺.浙江大学 2012
本文编号：2917949
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2917949.html
