考虑分布式电源预测不确定性的配电网优化调度研究

发布时间：2021-03-28 07:24

　　风电、光伏受天气条件的影响,其输出功率具有较大的随机性和波动性,随着大量分布式电源接入配电网,对配电网安全稳定运行产生影响。因此,本文对风电光伏预测方法、预测误差不确定性分析及考虑预测不确定性的配电网优化调度展开研究。首先通过分析风光机组工作原理,构建风电、光伏发电模型,描述风光运行规律。对同区域风电场、光伏电站互补性展开研究,结合互补性评价指标Kendall相关系数对分布式风电、光伏不同季节日均互补性、单月份互补性及全年互补性展开分析,得到风光互补的最优时间尺度。其次构建基于WOA-LSSVM的风光功率预测模型,该方法利用鲸鱼算法优化最小二乘支持向量机的惩罚因子与核函数宽度,并对风电场进行4小时、24小时、72小时下不同模型的预测试验,对光伏电站进行晴天、阴天、雨天不同模型的预测试验,并结合功率预测评价指标RMSE、MAE的值,比较风电光伏不同天气条件、不同模型的预测精度,结果显示WOA-LSSVM预测模型优于PSO-LSSVM和LSSVM模型。然后建立基于WOA-LSSVM预测模型的风光功率预测误差不确定性分析方法。应用云模型知识定性分析风电、光伏预测误差的不确定性,得到风电4小时... 

【文章来源】：华北水利水电大学河南省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

风光电站四季容量系数Figure1-1FourSeasonsCapacityFactorofWindpowerandphotovoltaicPowerStation

畔⒂敕绲绯∈导适涑龉β式?⒁灰挥成涞墓叵凳迪侄晕蠢茨呈笨痰墓β试げ狻Ｎ?减小功率预测误差，统计预测方法有时会结合预测曲线和实际输出功率对比纠正功率预测误差。统计方法不仅能进行实时的功率预测，而且模型简单精确度较高被人们广泛应用。常用的统计方法有人工神经网络法、支持向量机法、时间序列法、灰色预测法等。2.1.2风电运行特性分析在大气边界层中，不同时刻风速变化不尽相同，不同地理环境对风速变化也产生巨大影响，但风速在一段时间内的变化具有规律性。风速频率玫瑰图可清晰表明某区域风速风向分布特性。如图2-1其中圆弧刻度表示风向大小，用不同颜色代表不同的风速区间，风向频率表示可由一段时间内各风向出现的次数与监测总次数的比计算得到，从图2-1可知该地区风向变化范围为NW281.5。-NE56。、SE124。-SW213.5。，最大风速可达13m/s以上。因此通过风速风向玫瑰图可知道某区域的风速风向变化规律，预测未来时间段的整体变化趋势，通过统计分析准确描述风速风向分布特性，量化风速变化的不确定性。图2-1某风电场风向玫瑰图Figure2-1Windroseinawindfarm风电功率输出受实际风速和机组设备发电参数决定，准确描述风速变化规律愈发重要。虽然风速具有强烈的波动性和随机性，但结合上述内容通过长时间对风速历史数据研究发现，风速波动具有一定规律性，除了风速风向玫瑰图外一般也可采用概率分布描述风速变化。针对目前风速分布研究表明，威布尔分布为风速概率分布中最常用的模型之一，该模型能准确拟合风速分布并且模型构造简单，只需要确定概率分布的三个基本

2基于WOA-LSSVM的风光功率预测模型9参数即形状参数、尺度参数、位置参数就可模拟某地区实际风速变化，因此在风速计算中被广泛应用，具体概率分布模型如下：()1()kvkkcfvckve=（2.1）式中c为威布尔分布的尺度参数，k为威布尔分布的形状参数。参数k的大小可通过风速序列的均值和标准差求解，具体公式如下：22(12/)1(11/)vnkvkσΓ+Γ+（）=（2.2）式中vn为风速序列的均值，σv为风速序列的标准差。而c可由形状参数k计算得到，具体公式如下：(11/)mvck=Γ+（2.3）风电机组的输出功率随风速的波动而变化，根据风速概率分布描述风速大小后，风功率出力可由风速表示为：3212PPCAvARρπ==（2.4）式中P为风电机组某时刻输出功率，Cp为风能利用系数，A为发电机组风机叶片扫过的面积，其中R代表机组风叶半径，ρ为空气密度，v为风速。由公式2.4可知机组输出功率大约和风速成三次方的关系，受环境等多种不确定因素影响，某风电场机组实际功率输出如下图所示：图2-2河北某风电场风机实际输出功率Figure2-2ActualoutputpowerofawindfarmfaninHebei根据图2-2显示切入风速为3m/s，切出风速为18m/s，则在3m/s-18m/s为有效风速区。因此实际风功率表达式为：320031.1230.08108.6382.4318160018vPvvvvv≤<=++≤<≤（2.5）风能受气象条件的影响具有较大的随机性和波动性，致使风电机组功率输出不确定


本文编号：3105128