- 微网的预测、控制与优化运行
- 程启明
- 1607字
- 2025-02-20 03:18:50
1.3 本部分主要研究内容
本部分基于微网EMS实验平台,该平台包括光伏模拟器、风力机模拟器、蓄电池等,SCADA可提供温度、空气相对湿度、大气压力、风速、风向和辐照度等气象数据。
在保证微网系统安全、稳定、可靠运行的目标下,针对光伏和风电场系统,分别进行了功率预测的研究,任务要求能够解决风电和光伏功率预测的精度,创新点在于针对当前光伏和风电功率预测模型提出了能够提高运行速度或精度的方法,为微网的优化运行和控制提供保障。
1.3.1 光伏短期功率预测的研究内容
为实现光伏电站功率的准确预测,本部分分析了气象特征因素的复性多样性,采用层次分裂聚类的方法,提出一种基于密度峰值的层次聚类算法对天气类型进行聚类[46]。然后,利用支持向量机对未知天气类型进行识别,并采用径向基函数神经网络[47]建立了光伏发电短期功率预测模型,提高了气象类型的分类精度,有效地确定初始聚类参数,并能加快寻优速度,提高离群样本点分离的鲁棒性,证明了在小样本的情况下仍具有较高的精度;另外,将NWP数据聚类识别后利用神经网络建立功率预测模型,能有效提高预测精度,并在天气波动较大时仍能较好地实现功率值的跟踪,有利于光伏发电系统的并网运行和电力安全经济运行。
根据应用需求的不同,预测的时间尺度分为超短期和短期,分别应对未来15分钟~4小时和未来0~72小时的输出功率预测,预测的时间分辨率均不低于15分钟。本部分主要针对未来24小时的输出功率进行分辨率为1小时的短期预测研究。
1.3.2 风电短期功率预测的主要内容
本部分综合分析国内外风力发电预测技术的研究进展,通过当前风电预测技术中的风能资源与发电特性、NWP的应用、功率预测方法的特点,分析预测技术各环节中的影响因素,基于微网EMS建立风电功率短期预测模型,具体工作内容如下:
1)详细分析了影响风电功率的特征因素,确定了影响风电功率的主要气象要素。
2)基于SCADA记录的历史风速数据,采用一种改进的集合经验模态分解[48]对历史风速序列样本进行平稳化处理,划分为频域特性较为单一的子序列。
3)采用相空间重构将子序列转化为高维特征空间,分别建立最小二乘支持向量机(LS-SVM)模型[49,50]进行风速子序列预测,并采用改进果蝇优化算法对模型的参数进行优化(包括重构空间参数和LS-SVM的参数)。
4)将风速-风电功率转化函数转化为分段函数,功率转化曲线分阶段考虑,最后将本部分所用的模型和经验模态分解(EMD)方法[51]、直接采集LS-SVM的方法进行仿真对比,证明了本部分方法精度更高。
1.3.3 本部分的章节安排
本部分共分为5章,主要分为两个研究方向:光伏功率短期预测和风电功率短期预测,具体章节内容如下:
第1章为绪论。该章介绍了微网能量管理的发展,风光预测的国内外背景及本部分的工作安排。
第2章为预测模型的关键技术。该章分析了光伏和风电功率的影响因素,从天气类型角度考虑,提出了一种聚类算法,并介绍了统计学习理论;分析了风电场的影响因素,并提出了风电预测模型使用的参数优化算法,详细介绍了EEMD(Ensemble Empirical Mode Decomposition,集合经验模态分解)方法,为搭建风光短期预测模型做了理论准备。
第3章为基于密度峰值层次聚类的短期光伏功率预测模型。该章建立了基于密度峰值层次聚类的预测模型,并论证了模型的预测效果。
第4章为基于EEMD的短期风电功率预测模型。该章建立了基于EEMD风电功率预测模型,并比较了与EMD和LS-SVM模型的预测效果。
第5章为总结与展望。该章对本部分的研究工作进行总结,并展望了发展趋势。
本部分的主要创新点如下:
1)提出了一种基于密度峰值的层次聚类算法,能够更精确地实现未知天气类型的无监督聚类识别,并证明了该聚类模型的时间复杂度更优于传统算法[52]。
2)改进了FOA(Fruit Optimization Algorithm,果蝇优化算法)参数优化算法,在模型优化中收敛速度更快,迭代次数更少,可调参数只有一个,与改进之前相比,该算法优化了搜索路径,扩展了寻优空间,提高了模型的效率[52]。
3)考虑LS-SVM的可调参数和风速序列的相空间重构参数之间相互影响,实现4个参数整体优化和确定,使重构后相空间参数更匹配LS-SVM预测模型[53]。