微粒群优化算法及其风电场建模的应用.pptVIP

* * 微粒群优化算法 及其风电场建模应用 目 录 本项目的研究意义 本项目的主要研究内容和拟解决的关键问题 本项目拟采取的研究方法和可行性分析 本项目的特色与创新之处 本项目的进度计划 预期的研究成果、考核指标及提供成果的形式 本项目的经费预算 与本项目有关的研究工作积累和已取得的工作成绩 本项目的研究成员 一、本项目的研究意义 在各种可再生能源利用中，风能作为一种分布广泛、取之不尽、无污染的可再生能源，受到了广泛的关注。由于工业和经济的发展，目前的电力供应能力与电力的需求的差距越来越大，再生能源中的风力发电是现实的选择，它的投资成本适中，同时不消耗煤、油、天然气，不产生污染。风能发电在技术上日趋成熟，商业化应用不断提高，是近期内最具有大规模开发利用前景的可再生资源。 由于风能具有很强的间歇性和随机性，能量密度低，风电场风速分布的统计特性最能反映风电场的风能资源状况，它对确定合适的风电场址、设计建设与优化风电场以及风电的并网运行有着重要意义，所以在实施风电场工程之前需要充分评估风电场的风能资源状况，它与风电机组出力、发电量、风电场收益有直接关系，是风电场建设规划中最基础的工作。 由于一个地区的风能资源状况依赖于该地区风的统计特性，而体现风的统计特性的一个重要形式是风速的频率分布。为了能更科学有效地评估风电场的风能资源状况，需要用先进的建模与优化技术对风电场风速的频率分布建立合理的数学模型、并对模型参数进行优化。 一、本项目的研究意义(续) 在风电场中，风力发电机组少则几台或几十台，多则成百上千台，它们构成了大规模的风力发电机群。 风电场在规划和建设时，由于受风速、方向、地形、地貌等客观因素的影响和限制，为了获得最大风能效率和经济效益，各个风力发电机组必须按照一定的方式来布置。 风力发电机组在风电场中的分布，改变了整个风电场风速的时空分布，使得作用到各个风电机组的风速不仅有时间上的差异，而且有空间上的不同。 为了分析风电场的等值模型，研究风力发电机组及机群对系统特性的影响，需要建立风电场风力发电机群分布模型。目前关于这方面的研究相对很少，迫切需要研究如何将新兴建模与优化方法用于风电场风力发电机群分布模型的建立与优化。 一、本项目的研究意义(续) 一、本项目的研究意义(续) 当风电场并网电网时，大多数风电场常常处于电网的末端，并网点短路容量较低，风电功率的变化将引起系统稳态电压较大的改变，严重时还可能超过系统允许的范围。 以往对风电场并网运行的稳态特性研究，主要集中在独立型风力发电机组的异步发电机自激特性研究，很少涉及风电场特别是大规模风电场并网运行对系统稳态特性的影响。随着风电场的规模发展，人们开始逐渐认识和关注风电场对系统稳态特性的影响，相应地也出现了一些利用常规电力系统稳态分析的方法及工具对风电场并网运行的稳态特性进行简单地分析和计算。 但是，当利用详细模型进行大规模风电场并网运行的稳态和动态特性计算时，需要对风电场中每一个风力发电机组、内电网和主系统进行多次反复的迭代求解，在风力发电机组台数较多、内电网较复杂和主系统较大的情况下，数据准备和计算量是非常可观的，有时很难得到问题的解。为了减轻大规模风电场的数据准备和计算负担，很有必要对整个风电场进行等值，然后利用等值模型进行风电场并网运行的分析和计算。并利用有效的优化方法，优选风电场稳态等值模型参数，建立一组用优化参数表示的风电场等值模型。 一、本项目的研究意义(续) 一、本项目的研究意义(续) 微粒群优化算法（PSO）是Kennedy和Eberhart于 1995年提出的一种新兴的进化计算算法，它最初是为了图形化地模拟鸟群优美而不可预测的运动。人们通过对动物社会行为的观察，发现在群体中对群体信息的共享与个体本身经验的利用均有利于在演化中获得优势，并以此作为开发PSO算法的基础。近年来，PSO算法获得了非常快速的发展，可见的研究报道越来越多，已经成为计算与优化领域的一个研究热点。 虽然PSO近年来获得迅速发展，但毕竟是一种新兴的基于群体智慧的进化算法，人们对其的研究还没有像遗传算法那样具有坚实的应用基础、系统的分析方法和良好的理论基础，许多问题还有待于进一步研究： ① 应用领域的拓展。虽然PSO已被成功地用于函数优化及神经网络的训练等领域。但在风力发电建模的应用还处于研究阶段，基本上没有可见报道，也没有用于风电场建模的可见报道。开拓PSO在风电场建模的应用领域、在应用的广度和深度上进行拓展是很有价值的工作，也是本项目的主要研究内容之一。 一、本项目的研究意义(续)