论文部分内容阅读
随着风电在全球各国能源利用中所占比例逐步提高,风能的波动性、不确定性对电力系统的稳定运行提出了新的挑战和要求。本文基于风力发电机组的功率预测结果,在满足电力系统的负荷约束条件下,对科学合理地分配风电场内各机组出力,增强风电场输出功率的稳定性,避免机组的冗余运行,减少风电场运营成本展开了研究,具体研究内容如下:(1)鉴于大型风电场采集风速数据的坏点、缺失问题,以白皮书GBT/18710-2002和近年来相关检测要求为标准,对数据进行检验,建立风电场内多机之间输入风速关系的偏最小二乘回归模型,并对缺失的数据进行填补。针对数据中的噪声问题,采用基于Symlets小波分解的阈值去噪方法对风速数据进行滤波。滤波后的风速数据不仅保留了原始风速数据的整体趋势和细节特征,而且降低了数据中的噪声干扰成分。(2)针对风电功率预测精度不高的问题,改进搜索者算法的二维寻优能力,称作粒式搜索者算法,并运用四种经典测试函数验证了粒式搜索者算法具有更快的收敛速度和更优的收敛精度。建立粒式搜索者算法优化的短期风电功率预测支持向量机(简称SVM)模型,通过实例仿真验证了该模型的有效性和可靠性。仿真结果表明该预测模型比交叉验证优化参数的SVM预测模型的预测误差低了约3.73%。(3)针对大型风电场中大规模的风电机组数目容易形成高维优化问题,对人工蜂群算法进行改进,称作多交互式蜂群算法,并运用四种经典测试函数验证了其具有更快的收敛速度和更优的收敛精度。改进传统机组出力分配策略,建立基于混合整数非线性规划的风电机组叶轮相对疲劳损伤值优化调度模型,并将多交互式蜂群算法应用于该调度模型进行实例仿真分析。仿真结果表明,该算法模型给出的风电机组叶轮相对疲劳损伤值降低了约3.4%。(4)在以上的研究基础上,通过场景分析法估计风电功率预测误差,建立以叶轮损耗成本、机组闲置成本和备用量成本为目标函数的经济优化调度模型。采用多交互式蜂群算法进行实例仿真验证与分析。仿真结果显示,相比原来的模型,该模型的风电场运行总成本降低了,优化比例约9.02%。