【摘要】：風力發(fā)電是技術(shù)最為成熟的可再生能源發(fā)電技術(shù)之一,也是世界各國能源政策優(yōu)先發(fā)展的方向。隨著風電并網(wǎng)規(guī)模的增加,風電出力的隨機性和波動性給電網(wǎng)的調(diào)度和穩(wěn)定運行帶來的負面影響也越來越大,主要體現(xiàn)在發(fā)電量與負荷的不平衡導致系統(tǒng)頻率的穩(wěn)定性下降,引發(fā)風機大規(guī)模脫網(wǎng)事故。為了讓風電集群能夠?qū)﹄娋W(wǎng)提供必要的頻率支撐,本文以集中式的風電場集群為研究對象,對風電場集群的有功功率波動特性、風電超短期預測以及風電場集群參與調(diào)頻的控制策略進行了研究。本文首先通過實測數(shù)據(jù)分析了風電場集群在時間尺度和空間尺度的波動特性,目的是為了挖掘風電場集群出力波動的規(guī)律,從而為降低風電波動給電網(wǎng)帶來的影響提供解決思路和方法;分析了大規(guī)模風電對系統(tǒng)頻率的影響,并討論了風電預測在解決風電集群調(diào)頻可能的作用。其次,針對風電預測誤差較大的問題,提出了一種基于機器學習算法的混合預測模型。該模型通過改進的模態(tài)經(jīng)驗分解和小波分解作為預處理階段的主要算法用來降低風電功率序列的非平穩(wěn)性。在預測階段同時引入了神經(jīng)網(wǎng)絡、極限學習機和最小二乘支持向量機對分解后的序列進行預測。同時,采用了基于粒子群優(yōu)化的自適應神經(jīng)網(wǎng)絡模型對三種智能預測算法的誤差分布進行學習并校正,提高了模型的預測精度和泛化性能。通過實測風電場數(shù)據(jù)進行了算例分析,驗證了所提混合智能算法的精確性和優(yōu)越性。最后,為了發(fā)揮風電場集群在參與系統(tǒng)調(diào)頻中具有的優(yōu)勢,提出了基于預測信息的風電集群調(diào)頻控制策略。該策略通過建立風電集群控制中心對各個風電場進行統(tǒng)一管理,并依據(jù)預測信息合理調(diào)節(jié)各個風電場的調(diào)頻參與深度。在風電集群層面通過各個風電場的預測信息實現(xiàn)風電場的運行模式控制和參考指令分配;在風電場層面,通過預測信息對風電場的調(diào)差系數(shù)進行調(diào)整,實現(xiàn)動態(tài)調(diào)節(jié)風電場調(diào)頻參與深度。為了證明本文所提調(diào)頻控制策略的有效性,在MATLAB中建立仿真模型進行了驗證。結(jié)果表明:本文所提出的基于預測信息的風電集群調(diào)頻控制策略可充分利用風電場的預測信息優(yōu)化各個風電場的發(fā)電量和調(diào)頻參與深度。
【圖文】：

圖 2.4 風電波動率的直方圖和累計百分比圖（采樣間隔 5s）Fig. 2.4 Histogram and cumulative percentage plot of electrical volatility (sampling interval 5s)由圖 2.4 可知 5s 的風電功率波動相對于風電場額定裝機占比非常小，93.8%的波都集中在額定裝機容量 0.7%以內(nèi)，，99%的波動率集中在額定裝機容量 1.4%以內(nèi)。

圖 3.9 預測曲線對比Fig. 3.9 Comparison of prediction curves（2）圖 3.10 為三種算法在單分解算法（EEMD）和多分解算法（MD）下四平均誤差統(tǒng)計。從圖中可以看出，應用多分解策略的三種算法在 NRMSE 和 N
【學位授予單位】：沈陽工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM614

【相似文獻】

相關(guān)期刊論文 前10條

1 楊萍;;西部上市公司盈余預測信息的質(zhì)量評析——基于東西部上市公司的對比分析[J];西北大學學報(哲學社會科學版);2010年06期

2 保建國;如何提高對預測信息的判斷力[J];秘書;2001年03期

3 保建國;如何提高對預測信息的判斷力[J];辦公室業(yè)務;1997年03期

4 黃煜平;預測信息開發(fā)的幾個問題[J];中國物資經(jīng)濟;1994年10期

5 何劍榮;;適應黨委決策需要努力提供預測信息[J];預測;1989年02期

6 聶佳佳;;預測信息分享對制造商開通直銷渠道的影響[J];管理工程學報;2012年02期

7 吳成霞;趙道致;潘新宇;;云服務平臺預測信息分享對制造商渠道策略的影響[J];軟科學;2016年04期

8 ;預測信息[J];新疆農(nóng)墾經(jīng)濟;1995年01期

9 李書娟;張子剛;;雙渠道供應鏈預測信息分享的績效研究[J];工業(yè)工程與管理;2010年05期

10 刁俊峰;張穎;溫巧燕;;基于預測信息的空域水印改進算法[J];無線電工程;2009年03期

相關(guān)會議論文 前3條

1 金志成;何艷茹;程子娟;王東異;;用模糊數(shù)字方法預測商品喜愛度的實驗性探索[A];全國第五屆心理學學術(shù)會議文摘選集[C];1984年

2 顧國慶;許晨;;專家信息對競爭市場的作用[A];數(shù)學·力學·物理學·高新技術(shù)交叉研究進展——2010（13）卷[C];2010年

3 鄭婷婷;唐妤;;非財務指標的績效后果研究——基于2002年-2005年信息技術(shù)制造業(yè)上市公司的實證研究[A];中國會計學會財務管理專業(yè)委員會2009年學術(shù)年會論文集[C];2009年

相關(guān)重要報紙文章 前10條

1 見習記者 努麗亞;防汛抗旱都重要 預測信息早知道[N];新疆科技報(漢);2013年

2 于順丞 記者 王立新;準確預測信息 加強為農(nóng)服務[N];吉林日報;2004年

3 記者 周奇;突發(fā)事件預測信息將定時發(fā)布[N];北京日報;2008年

4 ;美國是這樣監(jiān)管“預測信息”[N];證券時報;2002年

5 本報記者 饒紅浩;國外一家預測信息公司的生存之道[N];期貨日報;2009年

6 本報記者 欒中銘　呂銘輝;2013年農(nóng)藥械市場概況及2014年市場預測信息[N];山東科技報;2013年

7 秦風;陜西:二代黏蟲局部發(fā)生偏重[N];農(nóng)資導報;2019年

8 本報記者 馮福田;旅游景點該不該限制游客人數(shù)[N];開封日報;2006年

9 唐曉林;加強大學生就業(yè)規(guī)律研究[N];鞍山日報　;2008年

10 唐曉林;加強對大學生就業(yè)規(guī)律的研究[N];解放日報;2008年

相關(guān)博士學位論文 前1條

1 曲佳莉;分析師預測行為對權(quán)益資本成本的影響研究[D];西南交通大學;2015年

相關(guān)碩士學位論文 前10條

1 苗宜之;基于預測信息的風電場集群調(diào)頻控制策略[D];沈陽工業(yè)大學;2019年

2 鄒建強;道路積水影響預測信息提供對集疏港交通影響研究[D];大連理工大學;2018年

3 陳少將;基于故障預測信息的維修資源優(yōu)化決策技術(shù)與系統(tǒng)[D];國防科學技術(shù)大學;2010年

4 魏丹丹;預測信息共享對雙渠道和零售商自有產(chǎn)品定價的影響[D];天津工業(yè)大學;2017年

5 賈玉梅;管理層專業(yè)能力與盈利預測質(zhì)量的研究[D];天津財經(jīng)大學;2015年

6 姜蕊;融合預測信息的動態(tài)路徑選擇算法研究[D];北京交通大學;2011年

7 于倩;上市公司管理層盈余預測質(zhì)量影響因素研究[D];山西財經(jīng)大學;2015年

8 李佳路;考慮預測信息獲取的供應鏈均衡策略研究[D];曲阜師范大學;2013年

9 王梯;基于預測信息的動態(tài)OD矩陣估計[D];北京交通大學;2006年

10 晁賽;影響我國上市公司自愿性業(yè)績預告行為因素之實證研究[D];西南財經(jīng)大學;2008年

本文編號：2631573