基于风速预测和储能可调度风电场并网功率控制方式漫谈.docVIP

基于风速预测和储能可调度风电场并网功率控制方式漫谈 　　摘要：本文采用BP神经网络法预测近期的风速，获得准确的风速预测值后，对风电场电网发送功率进行计算，将测量结果送达至电网调试中心。在风电场中结合钒电池储能系统，对实际的风电场电网发送功率与预测结果的差错性进行补偿，使电网预测风功率得到提升，实现风电场的可调度，促进了风电场与电网的相互协调。 关键词：风速预测 储能 风电场 发电调度 Abstract： prediction of short-term wind speed by using BP neural network method， to obtain accurate prediction of wind speed， the wind farm grid transmission power calculation， the measurement results will be sent to the grid debugging center. In the wind farm with vanadium battery energy storage system， compensation error of the actual wind farm grid transmission power and the forecasting results， the grid wind power prediction is improved， the wind farms scheduling， enhance mutual coordination and wind farm grid. Keywords： wind speed forecasting； energy storage； wind power generation scheduling 一、风电预测的概述 现阶段我国风电场事业处于飞速发展中，风电场规模越来越大，相应的发电技术也逐渐完善。风速是风电场的核心要素之一，与其电力输出功率有着直接的关系，风速具有随机性、间歇性的特点，会对风电场的电力输出功率产生较大的影响，致使电网在运行的过程中出现各种不稳定，进一步影响了电能质量。由于风速决定了风力发电的输出功率，电力工作人员需对其进行控制，但风速存在较高的随机性，难以作出准确的调度方案，甚至会造成加重电力系统的不稳定状态。当前风电场预测风速、预测电力输出功率的水平不高，难以保证准确的预测精度，缺少了基础依据，风力发电并网后调度工作将无法开展。运用科学有效的并网调度模式，促进电能交换工作的顺利实施，提高风力资源的利用率，使其发挥出最佳的效用。国内外研究风速预测的资料有很多，相应的风速预测方法也比较充足，运用次数较多的预测方法有空间相关性法、持续法、数值天气预报、BP神经网络法、时间序列法、卡尔曼滤波法等，BP神经网络法适用范围较广，优点较多，可自行处理和存储分布式信息，并具有良好的容错性、调节能力、适应能力，即使在面临复杂的环境下也能主动做出调试，由网络训练决定风速预测结果的准确程度，网络训练好则风速预测准确性高。 风电场调度控制方法也相对完善，常用的调度方法是建立模型，例如根据用电激励、可中断负荷结合用电调度，建立发用电一体化调度模型，实现风电资源的最佳使用率，但此法忽略了风速对电力输出功率的影响，投入使用时可行不高。考虑到煤耗量建立电网调度决策模型，明确风电波动范围，在规定值以内的风电波动则不会造成电网的不稳定，风速随机性较高，引起电力输出功率也比较不稳定，风电机组无法再第一时间对其作出处理。采用BP神经网络法预测近期的风速，在得到准确的风速预测值后，计算出风电场电网发送功率，并将测量结果送达至电网调度中心。在风电场中结合钒电池储能系统，对实际的风电场电网发送功率与预测结果的差错性进行补偿，使电网调度能力得到提升，进一步满足风电场的电网调度。 二、基于风速预测与钒电池储能风电场并网控制方式 风电调度以保证电网安全稳定运行为主要目的，按照公平、公开、公正的原则对风电场的电力进行调度，停止风电场运行的过程中，根据原有的装机容量合理调配各风电场输出电力，结合实际风电发电的情况及时对其进行调节。 （一）风力发电功率预测 采用BP神经网络法预测近期的风速，在得到科学、准确的风速预测值后，根据风电输出功率特性曲线计算出风电场电网发送功率，并将测量结果送达至电网调试。实际的风电场电网发送功率与预测调度功率值存在一定的差错性，在风电机组出口部位设置储能设备，在风速预测的过程中，每十五分钟采集一次风速值，选一个输入层的神经元作未来5天的预测风速值，风速值采样为四百八十个，输出值则为未来一天的预测风速值，风