风电功率分布及预测问题.docx

PAGE PAGE 10 风电功率波动特性的分析 ——从一个风电场入手摘要 本文着力研究了风电功率波动的概率分布问题及预测问题。根据相关要求，找到了与风电功率的波动概率分布拟合最好的 Logistic 函数，发现其分布与时间、空间有关， 并采用 Elman 神经网络预测模型对未来一段时间的风电功率进行预测，得到较好结果。 针对数据处理，我们通过小波去噪方法将原始数据进行处理，得到更为光滑的序列， 令原始数据与之作差得到体现风电功率波动的数据。 针对问题一，绘制风电功率波动的概率分布直方图，利用 Matlab 的概率密度拟合工具箱进行拟合，发现：t location-scale、Logistic、Extreme value、Normal 四种分布函数适于风电功率波动的概率分布密度函数拟合；根据拟合指标 I 及数值特性的比较，得出 Logistic 的拟合效果是最好的；再以每日为时间窗，按照上述方法处理，发现风电效率的波动分布随时间、空间的不同而变化。 针对问题二，提取出间隔为 1 分钟的数据序列 Pm (t i k ) ，用 Logistic 函数进行波动 概率分布的拟合，通过分析波动数值特征和比较度量参数 的方法，得出时间间隔越长风电效率波动越大的结论。 针对问题三，分析总功率序列P m(t )、P 5m(t )。P 15m(t )波动的概率分布数值特征 k Σ k Σ k 和风电场能量输出，发现风电功率波动特性反映风电场输出能量的波动，所取时间间隔 越大能量输出误差越大。 针对问题四，比较不同预测模型，选用Elman 神经预测模型预测短期及中长期风电 功率数值，通过比较均方百分比误差和平均百分比误差进行误差分析，发现以 P 15m(t ) 为样本进行预测比以 P  k 5m(t )为样本进行预测更加精确。 k 针对问题五，在前述问题基础上，绘制 3 号、5 号单台风机和分钟级风电场总功率 时序功率图，可知风电场总功率波动小于单台风机。介于风电功率较强的波动性和特殊性，概率分布数值特征在起到评估，预测，量化的同时也有拟合程度不高，无法反映功率变化趋势的局限性。 针对问题六，通过构建内蒙一百台风电机组实例，总结建模结论得出风电功率波动特性具有时序相似性和空间差异性特点的总体认识，以及其波动性强，不确定性高，稳定性差等特性的结论。因此在预测中短期风电功率的基础上，并结合实际空间的最优分布，加入人为干预即可克服风电波动对电网运行的不利影响。 关键字：小波去噪，风电功率，概率密度分布 ，Elman 神经网络预测模型， 一、问题的重述 随着资源环境约束和科学技术的发展，风力发电技术也得到快速发展。由于风的不确定性、间歇性以及风电场内各机组间尾流的影响，使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。风电功率的随机波动被认为是对电网带来不利影响的主要因素。研究风电功率的波动特性，不论对改善风电预测精度还是克服风电接入对电网的不利影响都有重要意义。本文在某风电场 20 台风电机组 30 天输出功率数据的基础上，需解决以下问题： 任选 5 个风电机组，在 30 天的范围内，分析机组 i 的风电功率 P 5s(t ) 波 i k 动符合哪几种概率分布，进行比较分析，计算数值特征并进行检验，找出最好的 分布，再以每日为时间窗宽，用最优分布对 5 个风电功率分别计算 30 个时段的 概率分布，比较分析不同机组，不同时间风电功率波动的概率分布以及与 30 天总体分布之间的关系。 从（1）中 5 台机的风电功率数据中提取出间隔为 1 分钟的数据序列 P m(t )。 i k 对这 5 个序列，再做（1）的分析。并采取合适度量方法分析P m(t ) 代替 P 5s(t ) i k i k 后损失的风电功率波动信息及影响，得出一般性的结论。 设全场 20 台风电机的总功率 P (t)=ΣP (t)，以时间间隔为 1 分钟、5 分钟、15 分钟计算总功率序列 P Σ m(t )、P i 5m(t )、P 15m(t )，分析其波动的概率分布数值特 k Σ k Σ k 征。并采取合适度量方法分析 P 5m(t )代替 P m(t )后损失的信息及影响。 k Σ k 设计合适的预测模式分别采用P 5m(t )和P 15m(t )作为样本来预测未来4 小时风电 k Σ k 场的总功率，给出不少于 7 天的滚动预测结果并分析比较 2 种方式的预测误差。 分析单台风电机功率 P m(t )与风电场总功率 P m(t )在时序上表现出的主要差别， i k Σ k 前面得到的概率分布数值特征在分析时序波动特性方面的作用和局限性。 在以上问题的基础上，构建实例说明如何用所得出的对风电功率波动特性的认识来克服风电波动对电网运行的不