本文關鍵詞：基于氣象測量場的風電爬坡事件與功率預測

  更多相關文章： 氣象測量場 風電爬坡 經驗正交函數 支持向量機 區(qū)間數

【摘要】：隨著風力發(fā)電大規(guī)模接入電網,風電爬坡事件的風險不斷增大,對電力系統(tǒng)的影響日益突出。風電爬坡是指在短時間尺度內,風功率的大幅度波動。風力發(fā)電受氣象環(huán)境條件影響,風能的波動性和間歇性特點是風電爬坡的重要原因。爬坡事件進程中的顯著風功率波動會破壞電網原有的功率平衡和頻率穩(wěn)定,對電力系統(tǒng)的安全穩(wěn)定運行帶來巨大的隱患。因此,深入研究風電爬坡事件,提高風電爬坡事件預測精度,能夠推動風力發(fā)電并網和清潔可再生能源使用,同時也對電網安全運行和優(yōu)化調度具有重要作用。本文的工作圍繞風電爬坡的預測展開,旨在提出爬坡時段區(qū)域風功率預測模型和風電場爬坡事件預測模型。風電爬坡事件與氣象條件變化密切相關,區(qū)域氣象信息是研究風電爬坡事件的重要數據基礎。有效關聯氣象數據和爬坡事件典型特征,建立預測模型是爬坡事件預測的關鍵。多觀測點氣象測量場能夠捕捉不同位置、不同時刻的風速、風向等氣象動態(tài)變化,準確表達風電爬坡時段氣象參數的特性,這是現有其他預測方法所欠缺的。論文利用經驗正交函數分解方法對氣象數據構成的氣象要素場進行空間模態(tài)分析和主分量提取,為構建風電爬坡預測模型提供數據支持。本文在分析風電場中風速分布特性和風功率特性的基礎上,對風電爬坡事件進行了數據特征分析。通過對不同爬坡定義下風功率波動的統(tǒng)計分析,深入剖析了風電爬坡事件特性。同時對氣象測量場中不同觀測站間的風速序列進行相關性分析,分析結果顯示氣象觀測站的風速序列間存在著各自不同的相關性,受地理位置、地形等因素影響。為提高風電爬坡時段風功率的預測效果,本文提出了一種基于氣象測量場的爬坡時段區(qū)域風功率預測方法�？紤]爬坡時段風速場的動態(tài)變化,利用經驗正交函數分解,將風速資料陣分解成不同空間模態(tài)和主分量,通過多元非線性逐步回歸方法建立風速場主分量和區(qū)域風功率間的映射關系�？紤]風速預測誤差,采用區(qū)間正交函數分解,將上述模型擴展為處理非確定性數據的預測方法。實際區(qū)域風功率預測結果表明,預測模型能夠顯著提高風電爬坡時段風功率預測的精度,對存在風速預測誤差的情況具有較強的魯棒性。氣象測量場能夠提供影響風電爬坡事件進程的氣象數據,本文利用支持向量機算法對氣象測量場的氣象信息進行數據挖掘,提出了一種基于支持向量機分類算法的爬坡事件預測模型。模型充分考慮氣場測量場中風速、風向、相對濕度等氣象因素對風電出力的影響,同時利用粒子群算法優(yōu)化支持向量機的參數,建立區(qū)域氣象信息與爬坡事件判定值間的映射關系,實現對爬坡事件的預測分析。實際風電場算例仿真驗證了預測模型方法的有效性和適用性。
【關鍵詞】：氣象測量場 風電爬坡 經驗正交函數 支持向量機 區(qū)間數
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM614
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第1章 緒論12-22
• 1.1 研究背景及意義12-15
• 1.1.1 研究背景12-14
• 1.1.2 研究意義14-15
• 1.2 研究現狀15-21
• 1.2.1 風電爬坡事件的定義15-17
• 1.2.2 風電場短期風功率預測方法17-19
• 1.2.3 風電爬坡事件預測研究方法19-21
• 1.3 本文主要工作21-22
• 第2章 氣象測量場的數據特征分析22-35
• 2.1 氣象測量場數據相關性分析22-26
• 2.1.1 空間分布的自動氣象觀測站22-23
• 2.1.2 觀測站數據相關分析23-24
• 2.1.3 算例分析24-26
• 2.2 風能資源參數26-29
• 2.2.1 風速分布特性26
• 2.2.2 風電機組出力特性26-27
• 2.2.3 風資源參數預處理27-29
• 2.3 爬坡事件數據特征分析29-33
• 2.3.1 爬坡時段風功率數據特性29-32
• 2.3.2 風電場中爬坡事件統(tǒng)計分析32-33
• 2.4 小結33-35
• 第3章 基于氣象測量場的爬坡時段區(qū)域風功率預測35-51
• 3.1 基于經驗正交函數分解的氣場測量場數據處理35-39
• 3.1.1 經驗正交函數分解的基本原理35-37
• 3.1.2 基于EOF的氣象測量場的模態(tài)分析37-39
• 3.2 爬坡時段區(qū)域風功率預測模型39-45
• 3.2.1 區(qū)域風功率預測模型39-41
• 3.2.2 算例分析41-45
• 3.3 考慮風速預測誤差的區(qū)間EOF分解45-50
• 3.3.1 區(qū)間EOF分解原理45-46
• 3.3.2 考慮風速預測誤差的區(qū)間風功率預測模型46-49
• 3.3.3 算例分析49-50
• 3.4 小結50-51
• 第4章 基于PSO-SVM的風電爬坡事件預測51-67
• 4.1 支持向量機原理51-56
• 4.1.1 支持向量機簡介51-52
• 4.1.2 支持向量機原理52-55
• 4.1.3 LIBSVM工具箱介紹55-56
• 4.2 基于PSO-SVM的風電爬坡事件預測模型56-61
• 4.2.1 支持向量機參數優(yōu)化56-58
• 4.2.2 基于粒子群算法的SVM參數尋優(yōu)58-59
• 4.2.3 風電爬坡事件預測模型59-61
• 4.3 算例分析61-66
• 4.3.1 預測模型輸入和參數選擇62-63
• 4.3.2 風電爬坡事件預測實例63-66
• 4.4 小結66-67
• 第5章 結論與展望67-69
• 5.1 本文結論67-68
• 5.2 展望68-69
• 參考文獻69-73
• 致謝73-74
• 作者在攻讀碩士學位期間取得的成果74-75
• 附件75

【參考文獻】

中國博士學位論文全文數據庫 前1條

1 劉建華;粒子群算法的基本理論及其改進研究[D];中南大學;2009年

，

本文編號：921985