论文部分内容阅读
随着传统化石能源的日益减少,可再生能源变得越来越重要。风能作为可再生能源重要的一种形式具有巨大的开发潜力,目前已被众多国家开发利用。但风能自身具有的随机性、间歇性等特点给风电大规模并网带来诸多问题。特别是在风功率预测和电力系统经济调度这两个方面,由于两项技术发展的不完善导致风电利用率不高,风力资源的浪费。所以,对风功率预测以及电力系统的经济调度方面的研究显得尤为重要,对提高风电消纳具有现实意义。本文针对这一课题展开相关模型和方法的研究。本文提出一种基于具有自适应噪声的集合经验模态分解-深度门控循环单元神经网络-极限提升树(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Gated Recurrent Unit Neural Network-eXtreme Gradient Boosting,CEEMDAN-GRU-XGboost)的风电功率预测模型。为提高风电功率预测的精确度,首先模型采用信号分析技术,利用CEEDAN算法对风电功率信号进行平稳化处理,将风电信号中存在的不同尺度下的波动或变化趋势逐级分解以降低风电信号的非线性和非平稳性,获得一组含有不同频段特征的风电信号;然后对各频段的风电信号分别经GRU神经网络预测;最后输入到极限提升树修正和融合,获得最终的风电预测值。与现有的模型相比明显提高了预测的精度。建立了含风电场的电力系统经济调度模型。计及发电成本最小化、风电利用率最大化、污染物排放最小化、火电机组平稳性四个方面建立调度模型,并根据目标函数的不同提出了不同的经济调度模型。最后对模型的解法进行改进并通过改进后的算法求解模型,通过算例验证了所提模型以及所改进算法的有效性和可行性。