50707004-高山摘要.ppt

在观察研究ARMA模型的风电功率预测误差时发现，预测的误差在某一时期里相对较小，而在某一时期里则相对地大，然后，在另一时期又是较小。也就说，大的及小的预测误差常常会成群出现。这种现象一种解释就是其存在一种异方差，即其预测误差的方差取决于后续扰动项的大小。 首次引入了ARCH模型用来处理风电预测中ARMA模型的残差序列，分析了风力发电序列的ARCH效应，建立了ARMA-ARCH模型相应的模型参数辨识方法。 3）预测误差影响分析 提出了一种基于GPU(Graphic Processing Unit)的并行化Monte Carlo模拟方法，大大提高了计算效率。结合基于GPU的并行化Monte Carlo模拟方法和粒子群算法，研究了预测误差对系统最优备用容量的影响，分析了不同渗透率、不同风速和不同误差分布情况下，间歇性能源接入对系统备用容量和系统总运行费用的影响。 4）基于预期系统的高渗透率电网电网协调控制 针对间歇性电源、负荷和网络状况可能的变化确定各控制器的调节范围和控制策略。系统正常运行时，通过对未来状态的预期评估，对可能发生的系统状态变化发布预调节指令并对可能发生的事故给出预警；当系统事故真实发生时，各控制器根据实时信息修正预调指令，确定实际控制策略，保证控制效果的实时性和正确性。 并将其应用于高渗透率风电接入系统电压协调控制，仿真结果表明，在风电场功率变化较大时，通过提出的在线协调控制能够明显提高系统的稳定性，使其能够有效地应对高渗透率风电并网对系统电压稳定的影响，保证系统的安全运行。 谢 谢！ * 研究了风力发电机、光伏电池、燃料电池、超级电容、电池等多种分布式电源的特性，建立了能够模拟各种分布式电源动态和稳态特性的仿真平台。 * 采用小波神经网络、混沌时间序列、卡尔曼滤波等多种方法建立了风电、光伏功率预测模型，提出了一种基于自回归条件异方差（Autoregressive Conditional Heteroscedasticity，ARCH）模型的风电功率预测方法，该方法计及了风电功率的异方差特性，适宜处理风电功率等间歇性电源强波动性时间序列的预测问题。 * * 基于预期系统理论的分布式发电协调控制研究高山，东南大学 高渗透率可再生能源发电系统接入对电网运行与控制提出了新的要求。 需要研究可以根据当前及未来电网和分布式电源的运行状态确定控制策略的协调控制技术，通过对分布式电源和系统中各控制器的协调控制达到系统的安全、可靠、优质、经济运行。 预期系统理论是数学生物学和动物行为学家Robert Rosen在1985年提出的，用来解释生物处理复杂事物的认知过程。 预期控制的状态改变既基于当前的信息也基于未来的状态信息。 预期系统模拟生物的认知行为，没有固定的模型结构，不追求预测的精度，而是未来发展的准确性，只需要对事物未来演变的可能状态有准确的把握就可以正确的动作。 本项目的研究内容和目标是基于预期系统的分布式发电协调控制。 主要研究：预期系统模型的实现方法、分布式发电的预期系统建模及协调控制目标的表征与实现、间歇性电源功率预测方法和不确定信息处理方法。 预期系统控制基本框架 1）分布式发电电源特性研究 提出了一种改进型随机潮流算法，计及风力发电机内部等值电路模型，提高随机潮流计算结果的准确性。提出一种新的太阳能模组性能评估算法，分析了随机阴影对太阳能模组性能的影响，研究了非均匀辐射强度导致的功率多峰值现象和“门槛效应”，并对全阵列设计时串并联方式提出了优化建议。 2）间歇性电源功率预测 提出了一种基于自回归条件异方差（Autoregressive Conditional Heteroscedasticity，ARCH）模型的风电功率预测方法，该方法计及了风电功率的异方差特性，适宜处理风电功率等间歇性电源强波动性时间序列的预测问题。 * 研究了风力发电机、光伏电池、燃料电池、超级电容、电池等多种分布式电源的特性，建立了能够模拟各种分布式电源动态和稳态特性的仿真平台。 * 采用小波神经网络、混沌时间序列、卡尔曼滤波等多种方法建立了风电、光伏功率预测模型，提出了一种基于自回归条件异方差（Autoregressive Conditional Heteroscedasticity，ARCH）模型的风电功率预测方法，该方法计及了风电功率的异方差特性，适宜处理风电功率等间歇性电源强波动性时间序列的预测问题。 * *