计及高耗能负荷的源荷系统风电消纳优化方法
发布时间：2022-02-09 04:25
当前全球能源消耗过大,环境问题也愈发严重,在此严峻背景下,大力发展各种清洁能源技术,实现能源生产向绿色环保、可再生能源转型,是当今世界各国能源与经济实现可持续发展的必要技术措施,也是各国走可持续发展道路的长久之计。由于电能不可大规模储存,在负荷用电高峰时段,既需要增大发电机组出力,又需要增加投运机组台数,以此增大发电量来满足负荷需求,而用电低谷时则相反。风能资源丰富,但是其出力会受气温、气压、空气密度、空气湿度等自然条件的影响,具有不稳定、不可控性等特点,大规模风电并入电网会给电力系统调峰、相关部门统筹调度、电网安全稳定运行等带来很大影响,引起风电消纳不足、造成严重的弃风问题。如果从电力系统的源-网-荷侧多方面加以改进,促进电力系统结构升级,达到提高风电消纳的目的。高耗能负荷用电量大、负荷利用率高,利用高耗能负荷参与电力调峰进行削峰填谷、减少弃风,对提高电网调峰能力具有十分重要的意义。本文从电力系统源侧和负荷侧两方面,分别对源侧风电预测和负荷侧弃风消纳进行研究。基于弃风特性,在电力市场辅助服务调控下使高耗能负荷参与调峰,可降低高耗能企业用电成本,提高风电消纳。首先,本文提出了一种新的风...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
论文研究内容逻辑关系
沈阳工业大学硕士学位论文8递到输出层得到年发电量。若输出层的输出值发电量未达到设定的目标值，则计算其与目标值发电量之间的差值，进行反向传播；输出误差经隐含层传回到输入层，分配到输入层的神经元上，神经元会依据误差信号，对神经元的权值进行更新。通过正向传播与误差反向传播使得最终的输出值不断逼近期望值，得到最终的预测效果。神经网络的基本结构见图2.1所示。图2.1BP神经网络结构图Fig.2.1BPneuralnetworkstructurediagram在图2.1中，风速、气温、气压、空气密度等自然条件因素作为输入层，经过隐含层处理和计算，结果经输出层得到。由于风场内风速受到气温、气压、空气密度等自然条件和气候变化影响，所以风能不稳定，且机组的发电量也会受到影响而波动较大。而BP神经网络能够对这种不规则、不稳定的数据进行训练和学习，从而对年发电量进行较好地预测。在此结构中，我们主要研究不同轮毂高度机组下风速预测的发电量，因此忽略气温、气压和空气密度等因素，只对风速数据进行研究和处理，以不同轮毂高度机组下的风速大小为输入层，以年发电量为输出层。2.1.3PSO-BP神经网络优化算法针对BP神经网络的缺点，现引进粒子群算法对其进行改进和优化，将两者各自的优点结合起来。PSO优化BP神经网络算法进行机组年发电量预测的具体步骤如下。(1)确定网络结构，产生初始种群。(2)建立粒子群与神经网络之间的映射关系。由输入层神经元与隐含层神经元之间
第2章源侧风力发电预测优化研究9的权值，计算隐含层输出值[34]。(3)由输出层神经元和隐含层神经元阀值之间的权值计算输出层输出值。根据机组风速数据的特点设置粒子群优化算法的参数。(4)由输入层神经元与隐含层神经元之间的权值初始化粒子的位置、输出层神经元与隐含层神经元之间的权值、隐含层阀值与隐含层神经元的阀值。然后将神经网络训练得到的平均误差设为粒子群适应度值，适应度值计算公式见(2.3)、(2.4)。2M,,1()iijijjfSs(2.3)11nmiiffn(2.4)式中：Si,j为第i个风速样本的BP神经网络理论输出值；si,j为第i个风速样本的神经网络实际输出值；n为风速样本的个数；m=1,2,M,M为粒子维数。(5)更新粒子适应度值与全局最小适应度，由自适应POS算法，不断更新权值和阀值，并将其传递给BP神经网络进行训练和学习。(6)利用神经网络训练得到的误差来更新阀值。(7)按照式(2.1)、(2.2)来对粒子的速度和位置进行更新，由误差判断是否达到最优权值与阀值，若未达到结束条件则返回步骤(3)、(4)继续迭代；若达到结束条件，输出算法找寻的最优权值和阀值。(8)将所得最优值传给BP神经网络进行训练和测试，得出最佳的年发电量预测值。具体的PSO-BP算法步骤流程图如图2.2所示。图2.2PSO-BP神经网络流程图Fig.2.2FlowchartofPSO-BPneuralnetwork
【参考文献】：
期刊论文
[1]计及风电消纳的源-荷-储环保经济型调度策略[J]. 张明理,潘霄,侯依昕,谷志峰,李卫东,杨俊友. 可再生能源. 2019(09)
[2]基于三适应度粒子群算法的风速威布尔分布参数估计[J]. 郭楚珊,郭鹏,杨锡运. 太阳能学报. 2019(01)
[3]基于蜂群算法改进的BP神经网络风电功率预测[J]. 何廷一,田鑫萃,李胜男,吴水军,陈勇,束洪春,马聪. 电力科学与技术学报. 2018(04)
[4]基于DEA-TOPSIS-时间序列的风电绩效动态评价[J]. 董福贵,时磊,吴南南. 电力科学与工程. 2018(11)
[5]基于神经网络的风电短期功率预测模型研究[J]. 宿凤明,孙财新,李端开. 节能技术. 2018(06)
[6]电网储能与弃风协调运行方法[J]. 葛维春. 太阳能学报. 2019(12)
[7]含电动汽车柔性负荷响应的优化调度策略研究[J]. 许玮,袁弘,车长明,王振祥,熊一. 电测与仪表. 2018(14)
[8]英国电力辅助服务市场短期运行备用服务机制及启示[J]. 朱继忠,叶秋子,邹金,谢平平,禤培正. 电力系统自动化. 2018(17)
[9]基于粒子群神经网络的空调冷负荷短期预测[J]. 墨蒙,赵龙章,龚嫒雯,吴扬. 建筑热能通风空调. 2018(05)
[10]降低硫硝排放的含储热热电联产机组与风电联合调度策略[J]. 崔杨,杨志文,仲悟之,叶小晖. 电网技术. 2018(04)
博士论文
[1]智能电网中基于负荷分析的需求侧管理体系发展研究[D]. 郭皓池.华北电力大学 2014
硕士论文
[1]基于改进遗传算法的微电网优化调度[D]. 李珂明.西安理工大学 2018
[2]电池储能参与电网削峰填谷优化策略研究[D]. 牛文迪.哈尔滨工业大学 2018
[3]基于提高风电消纳的荷—源协调控制策略研究[D]. 李慧勇.华北电力大学(北京) 2017
[4]库伦风电场运行后经济评价研究[D]. 王丽琼.华北电力大学 2016
[5]空调负荷的储能建模和控制策略研究[D]. 陆婷婷.东南大学 2015
[6]利用储能电池进行削峰填谷的多指标综合评价方法[D]. 郑雪冰.华北电力大学 2015
[7]高耗能企业参与风电消纳的机会约束模型研究[D]. 季金.兰州理工大学 2014
[8]计及储能和用户侧响应的微网经济运行优化[D]. 何正鑫.华南理工大学 2014
[9]基于Elman神经网络的短期负荷预测[D]. 刘荣.浙江大学 2013
[10]电力负荷峰谷特性的谱分析方法及应用研究[D]. 董楠.华北电力大学 2012
本文编号：3616367
【文章来源】：沈阳工业大学辽宁省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
论文研究内容逻辑关系
沈阳工业大学硕士学位论文8递到输出层得到年发电量。若输出层的输出值发电量未达到设定的目标值，则计算其与目标值发电量之间的差值，进行反向传播；输出误差经隐含层传回到输入层，分配到输入层的神经元上，神经元会依据误差信号，对神经元的权值进行更新。通过正向传播与误差反向传播使得最终的输出值不断逼近期望值，得到最终的预测效果。神经网络的基本结构见图2.1所示。图2.1BP神经网络结构图Fig.2.1BPneuralnetworkstructurediagram在图2.1中，风速、气温、气压、空气密度等自然条件因素作为输入层，经过隐含层处理和计算，结果经输出层得到。由于风场内风速受到气温、气压、空气密度等自然条件和气候变化影响，所以风能不稳定，且机组的发电量也会受到影响而波动较大。而BP神经网络能够对这种不规则、不稳定的数据进行训练和学习，从而对年发电量进行较好地预测。在此结构中，我们主要研究不同轮毂高度机组下风速预测的发电量，因此忽略气温、气压和空气密度等因素，只对风速数据进行研究和处理，以不同轮毂高度机组下的风速大小为输入层，以年发电量为输出层。2.1.3PSO-BP神经网络优化算法针对BP神经网络的缺点，现引进粒子群算法对其进行改进和优化，将两者各自的优点结合起来。PSO优化BP神经网络算法进行机组年发电量预测的具体步骤如下。(1)确定网络结构，产生初始种群。(2)建立粒子群与神经网络之间的映射关系。由输入层神经元与隐含层神经元之间
第2章源侧风力发电预测优化研究9的权值，计算隐含层输出值[34]。(3)由输出层神经元和隐含层神经元阀值之间的权值计算输出层输出值。根据机组风速数据的特点设置粒子群优化算法的参数。(4)由输入层神经元与隐含层神经元之间的权值初始化粒子的位置、输出层神经元与隐含层神经元之间的权值、隐含层阀值与隐含层神经元的阀值。然后将神经网络训练得到的平均误差设为粒子群适应度值，适应度值计算公式见(2.3)、(2.4)。2M,,1()iijijjfSs(2.3)11nmiiffn(2.4)式中：Si,j为第i个风速样本的BP神经网络理论输出值；si,j为第i个风速样本的神经网络实际输出值；n为风速样本的个数；m=1,2,M,M为粒子维数。(5)更新粒子适应度值与全局最小适应度，由自适应POS算法，不断更新权值和阀值，并将其传递给BP神经网络进行训练和学习。(6)利用神经网络训练得到的误差来更新阀值。(7)按照式(2.1)、(2.2)来对粒子的速度和位置进行更新，由误差判断是否达到最优权值与阀值，若未达到结束条件则返回步骤(3)、(4)继续迭代；若达到结束条件，输出算法找寻的最优权值和阀值。(8)将所得最优值传给BP神经网络进行训练和测试，得出最佳的年发电量预测值。具体的PSO-BP算法步骤流程图如图2.2所示。图2.2PSO-BP神经网络流程图Fig.2.2FlowchartofPSO-BPneuralnetwork
【参考文献】：
期刊论文
[1]计及风电消纳的源-荷-储环保经济型调度策略[J]. 张明理,潘霄,侯依昕,谷志峰,李卫东,杨俊友. 可再生能源. 2019(09)
[2]基于三适应度粒子群算法的风速威布尔分布参数估计[J]. 郭楚珊,郭鹏,杨锡运. 太阳能学报. 2019(01)
[3]基于蜂群算法改进的BP神经网络风电功率预测[J]. 何廷一,田鑫萃,李胜男,吴水军,陈勇,束洪春,马聪. 电力科学与技术学报. 2018(04)
[4]基于DEA-TOPSIS-时间序列的风电绩效动态评价[J]. 董福贵,时磊,吴南南. 电力科学与工程. 2018(11)
[5]基于神经网络的风电短期功率预测模型研究[J]. 宿凤明,孙财新,李端开. 节能技术. 2018(06)
[6]电网储能与弃风协调运行方法[J]. 葛维春. 太阳能学报. 2019(12)
[7]含电动汽车柔性负荷响应的优化调度策略研究[J]. 许玮,袁弘,车长明,王振祥,熊一. 电测与仪表. 2018(14)
[8]英国电力辅助服务市场短期运行备用服务机制及启示[J]. 朱继忠,叶秋子,邹金,谢平平,禤培正. 电力系统自动化. 2018(17)
[9]基于粒子群神经网络的空调冷负荷短期预测[J]. 墨蒙,赵龙章,龚嫒雯,吴扬. 建筑热能通风空调. 2018(05)
[10]降低硫硝排放的含储热热电联产机组与风电联合调度策略[J]. 崔杨,杨志文,仲悟之,叶小晖. 电网技术. 2018(04)
博士论文
[1]智能电网中基于负荷分析的需求侧管理体系发展研究[D]. 郭皓池.华北电力大学 2014
硕士论文
[1]基于改进遗传算法的微电网优化调度[D]. 李珂明.西安理工大学 2018
[2]电池储能参与电网削峰填谷优化策略研究[D]. 牛文迪.哈尔滨工业大学 2018
[3]基于提高风电消纳的荷—源协调控制策略研究[D]. 李慧勇.华北电力大学(北京) 2017
[4]库伦风电场运行后经济评价研究[D]. 王丽琼.华北电力大学 2016
[5]空调负荷的储能建模和控制策略研究[D]. 陆婷婷.东南大学 2015
[6]利用储能电池进行削峰填谷的多指标综合评价方法[D]. 郑雪冰.华北电力大学 2015
[7]高耗能企业参与风电消纳的机会约束模型研究[D]. 季金.兰州理工大学 2014
[8]计及储能和用户侧响应的微网经济运行优化[D]. 何正鑫.华南理工大学 2014
[9]基于Elman神经网络的短期负荷预测[D]. 刘荣.浙江大学 2013
[10]电力负荷峰谷特性的谱分析方法及应用研究[D]. 董楠.华北电力大学 2012
本文编号：3616367
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3616367.html
