风电功率预测与含风电的电力系统优化调度研究

发布时间：2022-02-21 02:30

　　随着风力发电技术的不断发展,风电在电力系统中的比例逐渐扩大。风电的随机性和波动性对电网造成不利的影响。为了合理安排调度计划,确保电力系统安全稳定运行,需要对风电功率进行准确预测。研究短期风电功率预测和含风电场的电力系统经济优化调度对提高风能的利用效率和优化配置电网调度运行具有重要的工程应用价值。本文从短期风电功率预测和含风电的电力系统经济优化调度两方面的问题展开了研究,主要内容如下:1.研究了风能资源的特性,采用Weibull分布函数建立风速的数学模型,研究了影响风速的各种因素。研究分析了短期风电功率预测的三种基本方法。此外研究了短期风电功率预测的具体步骤以及评价标准。2.利用ARMA时间序列法分别对风速和风电功率进行预测。通过对某风电场的输出功率采用ARMA方法、BP神经网络、RBF神经网络和广义回归神经网络等四种方法进行预测分析,研究结果表明:广义回归神经网络的预测精度最高,预测性能最优。研究了等权平均组合预测法、协方差优选组合预测法和熵值组合预测法,得出组合预测方法的预测精度比单一预测方法要高,协方差优选组合法的预测性能优于等权平均组合预测法和熵值组合预测法。3.研究了与风电输出... 

【文章来源】：东北石油大学黑龙江省

【文章页数】：72 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 选题背景及意义
        1.1.1 风力发电发展现状
        1.1.2 风电功率预测问题
        1.1.3 风电并网带来的调度问题
    1.2 国内外研究现状
        1.2.1 风电功率预测研究概述
        1.2.2 含风电场的电力系统经济优化调度研究概述
    1.3 本文研究的主要内容
第二章 风电功率预测的理论基础
    2.1 风能资源的特性
        2.1.1 风速的模型
        2.1.2 风速的变动特性
    2.2 风电功率预测的方法
        2.2.1 物理方法
        2.2.2 统计方法
        2.2.3 组合预测方法
    2.3 风电功率预测的具体步骤
    2.4 风电功率预测的评价指标
    2.5 本章小节
第三章 短期风电功率预测的应用研究
    3.1 时间序列法
        3.1.1 时间序列方法概述
        3.1.2 ARMA模型
        3.1.3 ARMA法预测模型的建立
        3.1.4 ARMA预测风速与风电功率
    3.2 神经网络法
        3.2.1 神经网络法概述
        3.2.2 BP神经网络法
        3.2.3 RBF神经网络法
    3.3 基于多参数的风电功率预测
        3.3.1 风速
        3.3.2 历史风电功率
        3.3.3 风向
        3.3.4 温度
        3.3.5 气压
        3.3.6 数据预处理
        3.3.7 仿真分析
    3.4 风电功率组合预测法仿真分析
    3.5 基于改进的万有引力搜索算法优化的GRNN组合预测模型
        3.5.1 GRNN神经网络
        3.5.2 万有引力搜索算法
        3.5.3 基于IGSA算法优化的GRNN的组合预测模型
        3.5.4 算例分析
    3.6 本章小结
第四章 含风电的电力系统经济优化调度模型研究
    4.1 风电并网对电力系统经济优化调度的影响
        4.1.1 风电并网可以降低电力系统的发电成本
        4.1.2 风电并网对电力系统备用的影响
        4.1.3 风电并网对电力系统的调峰能力的影响
    4.2 电力系统的经济优化调度数学模型
    4.3 考虑风电功率预测误差的电力系统优化调度建模
        4.3.1 目标函数
        4.3.2 约束函数
    4.4 本章小节
第五章 考虑风电功率预测误差的电力系统优化调度模型求解
    5.1 改进的狼群算法
        5.1.1 狼群算法
        5.1.2 改进的狼群算法
    5.2 算例分析
        5.2.1 系统参数
        5.2.2 仿真结果分析
    5.3 本章小结
结论
参考文献
致谢


【参考文献】：
期刊论文
[1]基于RBF神经网络的风电场功率预测研究[J]. 张彦恒,郑玉玉.  南方农机. 2018(07)
[2]含风电场的电力系统经济调度的分析[J]. 刘申,陈凯,于溪龙.  科技创新与应用. 2017(34)
[3]我国风力发电现状与技术发展趋势[J]. 吴翔.  中国战略新兴产业. 2017(44)
[4]基于时间序列的风速和风功率预测[J]. 孙睿男,王飞.  电脑知识与技术. 2017(32)
[5]基于模态分解和支持向量机的风电功率组合预测[J]. 陈庆鸿,肖建华,陈冬沣,董朕,林艺城,孟安波.  电气应用. 2017(21)
[6]提高风电功率预测精度的方法[J]. 乔颖,鲁宗相,闵勇.  电网技术. 2017(10)
[7]谈风力发电电气控制技术及应用实践[J]. 李武东.  科技与创新. 2017(18)
[8]基于小波变换和神经网络的短期风电功率预测方法[J]. 叶秉森,黄立场.  电子测试. 2017(18)
[9]基于NWP单点聚类分析与BP神经网络的短期风电功率预测[J]. 方市彬,厉虹,王丽婕.  电气应用. 2017(15)
[10]浅谈含风电场的电力系统经济调度[J]. 任磊,高延涛.  机电信息. 2017(18)

博士论文
[1]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

硕士论文
[1]风电场短期功率组合预测方法和评价研究[D]. 王帅.华北电力大学 2017
[2]基于BP神经网络与WRF模式的风电功率预测系统设计与应用[D]. 张贺民.中国科学院大学(中国科学院工程管理与信息技术学院) 2017



本文编号：3636314