风力发电短期预测策略探析及探究.docVIP

风力发电短期预测策略探析及探究 　　摘 要：随着各地风力发电的蓬勃发展，风电场的规模不断扩大，风电装机容量在系统中所占的比例不断增加，风电输出的不稳定性对电网的功率冲击效应也不断增大，对系统稳定性的影响就更加明显。为了减少对系统稳定性的影响，本文提出一种对风电短期预测的方案策略，通过对风电短时间的预测，合理的调节机组的出力情况，利用神经网络技术对风电场出力提前预测得出数据，对预测的数据进行分析，基于误差预测值修正预预测值，得到最后的预测值 关键词：风力发电；预测策略；短期预测 电力行业作为经济发展的基础，为各行各业的发展提供了充足的动力。但是风力发电的区域性比较大，只有在一些偏远地区才能有足够的风量保证发电量，而电能又难以存储，这些地区风电产生的电能难以被消耗掉，远距离传输到其他地区费用比较高，更为糟糕的是风能这种能量并不稳定，具备随机性，而且不能确定风速大小，也不能明确风电机组的大小 在分布式风电连接到电网之后，风电场的无功功率需求降低了负载特性的极限功率，并降低了静态电压的稳定性。随着风力发电的蓬勃发展，风电场的规模不断扩大，系统中风电装机容量的比例越来越大，风电输出对电网的不稳定性影响也越来越大，系统的稳定性影响更加明显。在严重的情况下，系统将失去动态稳定性，导致整个系统的崩溃。风力资源和风力涡轮机运行特性的不确定性使得风力涡轮机的输出功率波动，这可能影响电力质量，例如电压偏差，电压波动和闪烁，谐波 为了减少风电对系统的影响，本文提出了一种短期风电预测方案策略，通过短期风电预测，合理调整单位产出情况。为了提高预测的准确性，本文提出了基于神经网络技术的风电场输出的短期预测方法：预预测-误差预测 - 基于误差预测值校正预测值，得到最终的预测值。风力场在给定时刻的输出取决于该时刻的风力资源以及风力农场本身利用这些风力资源（即，将风力资源转换成有效电能的能力）。影响风电场将风力资源转化为有效电能的能力有许多因素，例如风电场的装机容量，风力发电机本身的类型，风电场的运行水平和风力涡轮机的分布。通常是非线性的，研究这些因素和风电场的产出之间的关系是孤立的，没有必要研究大型风电并网电力系统的经济调度。然而，这些影响因素作为一个整体，与风电场的输出之间存在一定的映射关系。因此，风电场输出预测模型必须能够反映这些机制之间的关系 这里的预测模型采用目前广泛应用的多层反传播 ANN（back propagation artificial neural network，BP-ANN）。网络采用NR-NY-1结构，包括输入层，隐层和输出层。 层中的神经元是单向连接的，并且层中的神经元是彼此独立的。 输入层包括在24小时区域中的风电场的历史风速。 隐层神经元映射函数使用Sigmoid函数，输出层使用Purelin函数，整个网络的输出可以取任何值。 网络的学习过程是权重的调整过程，其通过信号的前向传播和误差的反向传播来实现。重复训练周期，直到网络输出的误差降低到可接受的水平，最后得到未来24 h各时段的风电场出力预测 定 是未来24h各个时段风场的实际出力的值，出力的预测误差为 误差预测思路 风电场的短期预测和测量数据的代数差异构成了一个新的时间序列，基于同样的机制与未来的时间序列有一定的映射关系。 因此，历史错误预测未来错误 基于BP-ANN的预测模型用于预测风电场输出预测的预测误差。 在误差预测模型中，1.1节中的风场输出序列的历史被用于训练网络的历史误差。最后，获得未来24小时风电场输出预测的误差预测 1.3 预预测和误差预测思路验证 以风电场输出预报为例，将新疆一个典型风电场的风速数据和风电场输出数据在96 h的96 h时段作为样本。图3和图4分别给出了1～96h风速和风力输出数据及趋势。1～48 h的风速和风电场输出数据被用作训练网络的历史样本。最后，风电场的输出从49至96小时，有一个训练有素的网络。并将测量值和风速数据产生的误差序列作为新的历史样本，训练网络进行73～96h误差预测。预测的风电场输出网络模型的输出结果如图5和图6中的实线所示，与对应时间的风电场输出的测量曲线进行比较。预测结果与同一趋势的测量值基本一致。得出图6中风力输出的预测误差曲线。如图7-8所示，预测误差随预测力的增加而增大。这种现象可以被认为是随着风速的增加影响风力农场的输出的非线性因素的结果。例如，尾流效应更显着，因此在设计风力发电输出预测系统时应考虑风电场输出能力的影响 对比图8中的实线和虚线可知，误差预测 有效地跟踪了风电场出力的预预测值的误差 的变化趋势： 1） 绝对值较大时（大于 5%），WFF.tE*趋 近 ； 2） 绝对值较小时（小于或者等于 5%） 约等 。由于风电场输出的随机性和影