排序方式: 共有44条查询结果,搜索用时 15 毫秒
1.
基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型 总被引:4,自引:0,他引:4
针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。 相似文献
2.
随着“碳达峰、碳中和”及建立新型电力系统战略目标的提出,越来越多的传统机组被新能源机组逐步替代,造成电力系统的惯量水平持续走低,低惯量下有功冲击事件愈演愈烈,电力系统频率稳定性正面临严峻的挑战。从电力系统惯量定义出发,介绍影响惯量水平的相关因素。基于惯量定义分析高比例新能源并网后系统惯量水平的变化趋势,剖析惯量水平与频率稳定的关联关系。分析了低惯量水平给电力系统带来的3点新特性:传统惯量支撑资源稀缺、惯量水平评估难度加大和多种频率调整资源协调难度增加。在此基础上,从发电侧、电网侧、负荷侧和储能等角度介绍了提升电力系统频率稳定的方法和策略。从不同应用场景重点分析了电池储能在参与电力系统频率调整时的控制策略并对其优缺点进行详细的分析。最后,展望了低惯量电力系统中储能参与频率调整的协调控制策略。 相似文献
3.
考虑电池荷电状态的光伏功率分段平滑控制方法 总被引:2,自引:0,他引:2
针对光伏发电系统出力波动问题,结合光伏功率短期预测技术,提出电池储能的光伏并网功率分段平滑控制方法,包括基于电池荷电状态(state of charge,SOC)反馈的储能系统充放电功率控制和储能系统并网变流器的双环控制。根据功率预测值和并网功率平滑度的要求设定各分段并网功率目标值。在考虑储能系统最大功率约束、SOC约束和并网功率1 min内最大变化幅值约束基础上,对储能系统的充放电功率进行实时调节,从而得到较为平滑的并网功率。仿真结果表明,相比于日调度,分段调度降低了对储能系统容量的需求,所采用的SOC反馈控制也减少了电池SOC超出正常工作区间的时间,避免了电池的过充和过放。 相似文献
4.
基于空间相关性的风电功率预测研究综述 总被引:6,自引:1,他引:6
由于风电具有很强的随机性和波动性,因此大规模风电并网会对电力系统的运行和稳定性造成很大的影响。如何准确预测区域风电场的功率已经成为当今电力系统亟待解决的研究课题。现有的风电功率预测方法未考虑空间相关因素,预测体系有待进一步完善。基于空间相关性的风电功率预测是一种考虑了本地信息和空间相关信息的综合预测方法。文中给出了基于空间相关性的风电功率预测的定义、概念和基本特点,分别从统计模型、物理模型、空间降尺度过程和空间升尺度过程4个方面详细阐述了基于空间相关性的风电功率预测的实现方法,并对空间相关性在风电功率预测方面应用的最新国内外研究进展作了系统的分析评述。最后,针对该领域尚存在的问题与不足,总结了今后的发展方向和需要进一步探索的研究内容。 相似文献
5.
对某燃煤火电厂锅炉屏式过热器爆管原因进行了探讨,并利用扫描电镜(SEM)、能谱(EDS)、X射线衍射仪(XRD)和金相显微镜对腐蚀产物的成分和形貌进行分析.实验结果表明:复合硫酸盐对管壁的热腐蚀,造成管壁减薄严重,与屏式过热器管子内部存在的异物共同导致过热爆管. 相似文献
6.
7.
电力大数据是电力发展的重要资源,数据来源于电力生产和电能使用的各个环节。风电运行数据是电力大数据的重要组成部分,随着风电穿透功率的增大,风电数据的采集、处理、分析对风电场运行、控制与并网研究有重要意义。然而,从风电场收集到的大量数据中通常包含异常数据点,这样的异常点给风电功率波动特性、风电功率预测等方面研究带来负面影响。分析了风电场历史运行数据中存在的异常数据的主要来源,并针对该实际问题,采用基于四分位算法的数学模型对异常数据进行识别。在数据缺失的情况下,以可用历史数据为基础,采用基于临近风电场出力模式性的方法和多点三次样条插值方法重构出完整的时间序列。算例分析给出了两种重构方法的重构效果以及各自的适应性,结果表明采用所提出的方法能够有效识别、剔除异常数据并重构缺失数据,对不同风电场有较强的通用性,具有一定的工程实用价值。 相似文献
8.
9.
风电场弃风异常数据簇的特征及处理方法 总被引:3,自引:0,他引:3
风电场的历史运行数据尤其是风速和风电功率数据对风电场的运行管理和电力系统的运行调度都具有重要意义。在实际运行中,风电场的弃风现象较为严重,弃风会导致风速—功率散点图中存在大量横向分布的堆积型异常数据,这会对构造风电场的等值功率曲线产生较大的影响,从而降低风电功率预测精度,进而对风电场的运行管理和电力系统的运行调度造成不利影响。文中在分析风电场弃风异常数据特征的基础上,提出一种基于四分位法和聚类分析的异常数据组合筛选模型,首先采用两次四分位法剔除常规的分散型异常数据,再使用聚类法剔除堆积型异常数据,并采用二次聚类的思想来解决k-means聚类中k的取值问题。算例分析表明,该模型可有效剔除弃风造成的异常数据簇,对不同的风电机组和风电场有较强的通用性,具有一定的工程实用价值。 相似文献
10.