基于VMD技术与混合储能策略的风电并网控制方法

针对风电功率波动性和随机性给电网稳定运行带来的不利影响,提出一种基于风电功率变分模态分解(variational mode decomposition,VMD)技术和混合储能系统的风电并网控制策略.首先,对典型风电出力场景的原始功率进行变分模态分解,根据风电并网功率波动标准将原始功率分解为并网功率和储能功率,在平抑风电...     

风电运行风险与备用协调优化的调度方法

风电功率的预测误差体现了风电的随机性,风电的波动性描述了风电出力在指定时空尺度上的逐点变化特性。针对风电功率预测误差和风电功率波动所需的备用容量,通过对风电的随机性、波动性分析应对,建立风电备用需求新模型。根据风电备用需求与系统运行备用之间的关联关系,定义了风电运行风险,并在此基础上构建了风电运行风险与备用协调优化的调度模型,在模型中采用惩罚的方式对因系统为风电提供的运行备用不足所造成的失负荷成本和风能浪费成本加以考虑。通过修订后的IEEE 6节点和118节点系统算例的仿真计算,验证了模型的正确性和有效性,为更大限度、更经济、更安全的利用风电功率提供了一种决策支持。     

风电功率特性分析及其不确定性解决方案

风力发电对电力系统的不利影响主要源自风电自身功率的随机性,风电并网问题的关键在于如何解决风电功率的不确定性.为此,需要首先对风电的波动特性进行深入分析,然后针对主要矛盾方能提出合理的解决方案.采用频域分析法对风电功率的波动特性进行详细分析,明确风电功率变化的频域分布.介绍风电功率预测和储能技术用于解决风电功率不确定性的应用,并根据频域分析结果给出储能技术选择的原则.风电功率预测与储能技术能够从根本上解决风电功率的不确定性,为风电等不确定性电源并网问题提供新思路.     

基于最优输入径向基网络的风电功率预测方法

随着风电的大规模接入电网,对风电功率未来出力的把握显得尤为重要,而风电功率预测技术则是掌握出力特性的有力工具。基于实测历史数据,研究系统不同输入量对预测结果误差的影响,选取最佳输入量值;并在此基础上,构建基于RBF（径向基）神经网络的风电功率预测模型,对风电功率进行有效预测;预测结果表明,基于径向基神经网络的预测方法预测精度较高,可以为电网提供更加准确的风电预测出力信息,有助于为调度制定更加合理有效的计划。     

基于动态权重的风电功率组合预测方法研究

风电功率预测对风电并入电网、电力系统的调度和电网安全稳定运行有着重要的影响。由于风电场发电功率受风速、风向、地理、气象等多方面因素的影响,既具有时间相关性,也具有空间相关性,单一的预测模型往往达不到预期效果。为提高风电场发电功率预测精度,主要针对风电功率预测建立基于动态权重选取得组合模型进行研究,通过该组合模型来对风电场的发电量进行预测,并且应用多个评价指标来对预测结果进行评价,通过对吉林西部某风电场实测数据的预测,验证了模型的有效性。     

基于非参数估计的风电场储能容量优化研究

可再生能源因其独特的优势被越来越多的应用并入电网,但其随机性、波动性等会给电力系统带来一些负面影响甚至是大型故障,如电压的不稳定、风电系统暂态稳定性的改变等,从而导致风电功率预测结果的精确性低、储能装置容量配置不合理性.本文采用非参数核密度估计法,计算储能系统的额定容量、分析某风电场功率误差数据,以非参数核密度估计法求...     

飞轮储能在风电功率预测系统中的应用探究

风能是一种间歇性能源,风电功率经常处于波动之中,风电功率的预测对风力发电系统并网的安全性和稳定性具有重要的意义.天气预报提供的气象数据有一定误差,机组调度需要计及风电功率预测高估和低估所带来的代价.本文以风电功率预测的传统方法为基础,用飞轮储能对预测出来的风功率进行适时调节,从而优化了风电质量,最终使用Matlab/GUI开发了风电功率预测系统.该系统提高了风电功率的预测精度,可为风电功率预测提供参考.     

基于VMD的CNN-BiLSTM超短期风电功率多步区间预测

风能是随机波动的不稳定能源,大规模风电并入电网将对电网稳定性造成很大影响,有效预测风电功率区间将极大提高电网经济性与稳定性。针对风电功率数据的非线性,非平稳特性,提出一种基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法。首先对风电功率数据进行小幅上下波动,形成CNN-BiLSTM模型的初始上下限。其次运用变分模态分解(VMD)分别将上下限数据分解为若干个子分量,以降低风电功率时间序列的非平稳特性。然后将子分量输入CNN-BiLSTM模型,得到风电功率预测区间。最后以改进覆盖宽度准则为目标函数优化区间,得到给定置信水平下的风电功率预测区间。使用某风电场实际运行数据,与CNN-GRU、CNN-LSTM、KELM、SVR这4种模型作比,验证结果表明基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法可有效提高风力发电超短期区间预测精度。     

基于小波变换和支持向量机的风电功率爬坡事件识别与预测

随着风电场规模的增大,风电功率爬坡事件给电网带来的影响越来越显著,提高爬坡事件识别与预测精度对电网安全经济运行具有重要意义。阐述了爬坡事件的定义,提出了基于小波变换(WT)的风电功率爬坡事件识别方法,建立了风电功率爬坡事件的WT-SVM预测模型。以某风电场的实测风电功率数据为例,进行不同时段的识别与预测。结果表明,基于WT的方法可以快速准确地识别风电功率爬坡事件及其特征值,WT-SVM爬坡事件预测模型可以提高风电功率爬坡事件预测准确度。     

京津唐电网风电运行数据分析框架初探

随着京津唐电网风电装机的快速增加,风电运行对电力系统影响的问题日益突出。本文提出了一套基于风电运行随机性、波动性和峰谷特性的风电运行数据分析的构想。首先分析了京津唐电网风电运行特性,并基于京津唐电网风电运行特性提出风电运行指标体系;然后给出风电运行数据分析的初步构想．为调度部门建立实时监视、分析风电运行系统进行探讨研究。     

风电场发电功率短期预测组合模型研究

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合时间序列模型,建立了组合预测模型。通过对结果进行对比分析,显示组合模型可以得到较高的短期发电功率预测准确度,更好地满足实际现场需要。     

考虑经济效益的风储联合发电系统的最优功率预测

准确的风功率预测及经济效益最大化问题一直是电力系统关注的热点,同时也决定风储联合系统参与调度的积极性.因此,文中构建了考虑经济效益的风功率预测模型和风储联合调度模型.首先,分析不同损失函数下的最优预测理论,并选择基于成本导向的增强回归树建立考虑了预测误差成本的风功率预测模型,该模型通过降低预测误差成本提高风电场经济效益;然后,以风功率预测模型的实验结果为基础,构建风储联合调度模型,最大化风电场的经济效益;最后在两个风电场中验证文中所提方法的有效性和先进性.     

甘肃酒泉大型集群风电有功智能控制系统的开发

分析中国风电调度运行问题、风电出力特性、风电场有功控制现状,提出大型集群风电有功智能控制系统的控制策略,介绍大型集群风电有功智能控制系统的配置、功能、控制策略原则以及控制方法.该控制系统已经投入现场运行并取得了很好的控制效果,各风电场发电量得到了普遍提高,既保证了风能这一绿色能源得到有效开发和充分利用,又保证了电网安全...     

含风电场最优潮流及其关键技术研究综述

大型风电场并网发电给电网带来清洁能源的同时也使电力系统安全可靠运行面临诸多挑战,研究含风电场最优潮流对于提高电力系统稳定运行与能源利用率具有重要意义. 含风电场最优潮流是一个新型的高维、非线性的复杂优化问题,且由于风电的随机性、间歇性和不可控性使其复杂程度和计算难度进一步加大. 针对这一问题,本文通过数学模型和求解方法这一主线,阐述了含风电场最优潮流的发展现状以及因风电的随机性对电力系统造成的影响;总结了对风电场处理的现有研究技术,分析了求解含风电场最优潮流的各种算法的优点与不足;在此基础上对未来含风电场最优潮流的研究方向进行展望.     

LSTM-RF的中长期风电功率组合预测方法

风电功率的准确预测是减少风电并网对电网造成冲击的有效手段之一。利用深度学习算法中的长短期记忆网络(LSTM)对中期风电功率出力进行了预测,综合考虑功率数据、气象数据等多维特征,采用LSTM算法和随机森林(RF)算法搭建预测模型,预测风电场1～7日的风电功率出力。基于某风电场2014年1月到2016年12月的实际发电数据,通过实验对比BP神经网络、支持向量机(SVM)和自回归积分滑动平均模型(ARIMA)等算法可知,提出的预测方法在较为突变的天气状况下仍能保持较高的预测精度,能为风电并网和电网调度提供辅助支撑。     

风电系统风速预测算法的马尔科夫理论修正模型

针对风速的强时序性和强随机性,提出了一种新型的基于马尔科夫理论的改进风速预测算法,该算法利用小波分解与重构获取各层平稳风速信号,并分别对各层平稳信号进行时间序列建模预测。由于以上算法在风速剧烈变化时存在预测失真,依据风速的马尔科夫转移特性,利用时变马尔科夫一步转移概率矩阵修正各层加权叠加后的风速预测值。以风电系统为例进行了研究,仿真结果表明:该方法具有较高的预测精度。     

直驱风电系统低电压运行特性研究

针对永磁直驱风电系统,分析了机侧和网侧变流器的控制策略。为增强风电系统低电压穿越的能力,提出一种网侧变流器运行于无功优先输出模式的控制策略。在电网电压跌落时,风电机组可依据国网公司并网技术规范要求的电网的无功电流需求以及电网电压的跌落深度迅速向电网提供无功支撑,提升电网电压。仿真结果表明该控制策略可有效提高永磁直驱风电系统的低电压穿越能力。     

基于小波算法的风电储能装置优化控制

风力发电是对传统发电方式的有效补充。风的方向、大小常具有不可预测、不可控制等特点。这些特点会导致由风力发电主导的电厂所输出的有功功率存在波动, 从而影响整个大电网, 造成大电网频率不稳定, 使得大电网的电能质量下降, 甚至会带来大电网的解裂。文章以双馈感应风力发电机模型为基础, 构造了风力发电系统模型, 并采用小波变换理论对该模型所输出的有功功率进行多层次分解。在低频分量信号中应用MUSIC谱估计算法, 建立非平稳随机时变功率谱, 通过比较输出功率与设定阈值之间关系, 设计基于分布式储能方式下的风力发电机储能装置控制系统。仿真结果表明:设计的控制系统可以实现对风电输出功率在线监控下的功率平滑控制。     

基于FCM和SSA–ELM的超短期风功率预测

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类(Fuzzy C-Means,FCM)选取相似日和樽海鞘群算法优化极限学习机（SSA-ELM）的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定的网络参数,利用樽海鞘群算法在迭代过程中的充分探索和开发,优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差三方面进行仿真实验,与传统极限学习机（ELM）和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA-ELM的超短期风功率预测模型具有良好的追踪性和泛化性。