基于气象测量场的风电爬坡事件与功率预测

发布时间：2017-09-26 06:30

  本文关键词：基于气象测量场的风电爬坡事件与功率预测

  更多相关文章： 气象测量场 风电爬坡 经验正交函数 支持向量机 区间数

【摘要】：随着风力发电大规模接入电网,风电爬坡事件的风险不断增大,对电力系统的影响日益突出。风电爬坡是指在短时间尺度内,风功率的大幅度波动。风力发电受气象环境条件影响,风能的波动性和间歇性特点是风电爬坡的重要原因。爬坡事件进程中的显著风功率波动会破坏电网原有的功率平衡和频率稳定,对电力系统的安全稳定运行带来巨大的隐患。因此,深入研究风电爬坡事件,提高风电爬坡事件预测精度,能够推动风力发电并网和清洁可再生能源使用,同时也对电网安全运行和优化调度具有重要作用。本文的工作围绕风电爬坡的预测展开,旨在提出爬坡时段区域风功率预测模型和风电场爬坡事件预测模型。风电爬坡事件与气象条件变化密切相关,区域气象信息是研究风电爬坡事件的重要数据基础。有效关联气象数据和爬坡事件典型特征,建立预测模型是爬坡事件预测的关键。多观测点气象测量场能够捕捉不同位置、不同时刻的风速、风向等气象动态变化,准确表达风电爬坡时段气象参数的特性,这是现有其他预测方法所欠缺的。论文利用经验正交函数分解方法对气象数据构成的气象要素场进行空间模态分析和主分量提取,为构建风电爬坡预测模型提供数据支持。本文在分析风电场中风速分布特性和风功率特性的基础上,对风电爬坡事件进行了数据特征分析。通过对不同爬坡定义下风功率波动的统计分析,深入剖析了风电爬坡事件特性。同时对气象测量场中不同观测站间的风速序列进行相关性分析,分析结果显示气象观测站的风速序列间存在着各自不同的相关性,受地理位置、地形等因素影响。为提高风电爬坡时段风功率的预测效果,本文提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,预测模型能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。气象测量场能够提供影响风电爬坡事件进程的气象数据,本文利用支持向量机算法对气象测量场的气象信息进行数据挖掘,提出了一种基于支持向量机分类算法的爬坡事件预测模型。模型充分考虑气场测量场中风速、风向、相对湿度等气象因素对风电出力的影响,同时利用粒子群算法优化支持向量机的参数,建立区域气象信息与爬坡事件判定值间的映射关系,实现对爬坡事件的预测分析。实际风电场算例仿真验证了预测模型方法的有效性和适用性。
【关键词】：气象测量场 风电爬坡 经验正交函数 支持向量机 区间数
【学位授予单位】：山东大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM614
【目录】：

• 摘要8-10
• ABSTRACT10-12
• 第1章 绪论12-22
• 1.1 研究背景及意义12-15
• 1.1.1 研究背景12-14
• 1.1.2 研究意义14-15
• 1.2 研究现状15-21
• 1.2.1 风电爬坡事件的定义15-17
• 1.2.2 风电场短期风功率预测方法17-19
• 1.2.3 风电爬坡事件预测研究方法19-21
• 1.3 本文主要工作21-22
• 第2章 气象测量场的数据特征分析22-35
• 2.1 气象测量场数据相关性分析22-26
• 2.1.1 空间分布的自动气象观测站22-23
• 2.1.2 观测站数据相关分析23-24
• 2.1.3 算例分析24-26
• 2.2 风能资源参数26-29
• 2.2.1 风速分布特性26
• 2.2.2 风电机组出力特性26-27
• 2.2.3 风资源参数预处理27-29
• 2.3 爬坡事件数据特征分析29-33
• 2.3.1 爬坡时段风功率数据特性29-32
• 2.3.2 风电场中爬坡事件统计分析32-33
• 2.4 小结33-35
• 第3章 基于气象测量场的爬坡时段区域风功率预测35-51
• 3.1 基于经验正交函数分解的气场测量场数据处理35-39
• 3.1.1 经验正交函数分解的基本原理35-37
• 3.1.2 基于EOF的气象测量场的模态分析37-39
• 3.2 爬坡时段区域风功率预测模型39-45
• 3.2.1 区域风功率预测模型39-41
• 3.2.2 算例分析41-45
• 3.3 考虑风速预测误差的区间EOF分解45-50
• 3.3.1 区间EOF分解原理45-46
• 3.3.2 考虑风速预测误差的区间风功率预测模型46-49
• 3.3.3 算例分析49-50
• 3.4 小结50-51
• 第4章 基于PSO-SVM的风电爬坡事件预测51-67
• 4.1 支持向量机原理51-56
• 4.1.1 支持向量机简介51-52
• 4.1.2 支持向量机原理52-55
• 4.1.3 LIBSVM工具箱介绍55-56
• 4.2 基于PSO-SVM的风电爬坡事件预测模型56-61
• 4.2.1 支持向量机参数优化56-58
• 4.2.2 基于粒子群算法的SVM参数寻优58-59
• 4.2.3 风电爬坡事件预测模型59-61
• 4.3 算例分析61-66
• 4.3.1 预测模型输入和参数选择62-63
• 4.3.2 风电爬坡事件预测实例63-66
• 4.4 小结66-67
• 第5章 结论与展望67-69
• 5.1 本文结论67-68
• 5.2 展望68-69
• 参考文献69-73
• 致谢73-74
• 作者在攻读硕士学位期间取得的成果74-75
• 附件75

【参考文献】

中国博士学位论文全文数据库 前1条

1 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

，

本文编号：921985