• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于一體化實時信息平臺的風電功率預測系統(tǒng)

      2014-05-12 01:31:02詹慶才聶曉波張道農趙禹鄭繼濤
      電網與清潔能源 2014年4期
      關鍵詞:電功率位數風電場

      詹慶才,聶曉波,張道農,趙禹,鄭繼濤

      (1.北京四方繼保自動化股份有限公司,北京 100085;2.北京交通大學電氣工程學院,北京 100044;3.華北電力設計院工程有限公司,北京 100120;4.北京市供用電建設承發(fā)包公司,北京 100062)

      隨著能源危機和環(huán)境問題的日益突顯,世界可再生能源已進入了大發(fā)展階段。風能以其獨有的特點和優(yōu)勢,已成為能源發(fā)展的重要領域。截至2013年底,我國累計建成約705座風電場,總裝機達到3966.82萬kW。

      隨著風電大力發(fā)展,風電場建設規(guī)模的擴大,在分析風電場接入電力系統(tǒng)時,需要考慮風電場輸出功率波動范圍大的特點。風能具有間歇性和隨機波動性,風速的變化直接導致風電場的有功功率和無功功率的變化,輸出功率具有很強的波動性,很不穩(wěn)定。當風電穿越運行時會產生嚴重的影響,同時,也會影響電能質量和經濟調度以及電力競價。因此,積極開展風電功率預測研究的工作,提高預測的準確性,對電網調度、提高風電的接入能力以及減少系統(tǒng)運行成本等方面具有現實意義。

      風電功率預測是指以風電場的歷史功率、歷史風速、地形地貌、數值天氣預報、風電機組運行狀態(tài)等數據建立風電場輸出功率的預測模型,以風速、功率或數值天氣預報數據作為模型的輸入,結合風電場機組的設備狀態(tài)及運行工況,得到風電場未來的輸出功率[1]。

      現有的風電功率預測系統(tǒng)主要存在以下幾個問題:

      1)一般只采集風電場上網功率數據,缺乏與風電場信息系統(tǒng)的連接,不具備實時更新限電、檢修等風力機運行信息的能力;

      2)預測結果數據一般只能上送調度,與風電場有功控制系統(tǒng)缺乏數據接口,無法進行信息共享,大大限制了風電功率預測系統(tǒng)的應用范圍;

      3)一般只利用單一測風塔的風速數據訂正數值氣象預報,缺乏綜合多來源氣象數據的訂正能力,對風資源的實時分析能力不足;

      4)一般只能簡單計及地形和風力機排布的影響,缺乏復雜條件下風電場局地氣象分析能力,不適用于復雜地形條件下的風電場風電功率預測;

      5)預測模型對風電功率的波動性考慮不足,預測準確率低,實用性差。

      針對上述問題,本文研究和開發(fā)了基于一體化實時信息平臺的風電功率預測系統(tǒng)。

      1 風電功率預測方法

      國外在發(fā)展短期風電功率預報技術方面已有10余年的歷史,已有多套預測軟件包應用于發(fā)電計劃和電力市場交易,如丹麥Risoe國家實驗室的Prediktor和丹麥科學技術大學的Zephyr和WPPT、美國eWind、德國WPMS和Previento、西班牙LocalPre-RegioPred等。早期的風電預報系統(tǒng)采用單一的物理模型法或統(tǒng)計法,預測輸入來自NWP(Numerical Weather Prediction)數據。隨著風電場通信設施的完善,NWP氣象服務的成熟,現在的預報系統(tǒng)兼用多家NWP數據與實測數據未輸入,并采用綜合法進行預測。

      根據所采用的數學模型不同,風電功率預測法可分為持續(xù)預測法、ARMA模型[2-4]、卡爾曼濾波法和智能方法等。持續(xù)預測方法[5]是最簡單的預測模型,通常認為最近一點的風速為下一點的風速預測值[6],其預測誤差較大,預測結果不穩(wěn)定。ARMA模型、向量自回歸模型[7]、卡爾曼濾波算法[8-9]、時間序列法和卡爾曼濾波算法結合后的算法[10]為改進算法。另外,還有人工神經網絡方法[6,11-12]等智能方法。文獻[13-16]分別對運用廣義回歸神經網絡、OLSSFLA-RBF神經網絡、AdaBoost與BP相結合的神經網絡和Elman神經網絡進行了風電功率預測的研究。文獻[17]對持續(xù)法、AR、ARIMA、線性神經網絡、BP神經網絡、LM神經網絡、RBF神經網絡、ELM神經網絡、ANFIS神經網絡、NLN神經網絡等多種方法在風速預測中的應用進行了比較,結果表明,神經網絡方法優(yōu)于線性方法,但以上文獻所提神經網絡方法沒有對處于復雜地形的風電場功率預測問題進行相關研究。文獻[18-19]提出了通過混沌預測方法和組合預測模型提高預測精度的方法。文獻[20]介紹了提出一種基于Markov鏈理論的預測算法,對風電功率預測性能進行了分析。文獻[21]介紹了在吉林電網調度中心投入運行的風功率預測系統(tǒng)。文獻[22]介紹了在內蒙古電網投入運行的區(qū)域風電功率預測系統(tǒng),重點介紹了基于MM5模式的中尺度數值預報方法,并指出風電功率預測的誤差主要來自數字天氣預報數據NWP。文獻[23]探討了甘肅酒泉風電基地風電預測預報系統(tǒng)的實現方案。

      2 WRF中尺度數值預報

      本文采用了新一代中小尺度模式WRF開展復雜地形條件下的風電場風速模擬。WRF模式是由美國研究、業(yè)務及大學的科學家共同參與開發(fā)研究的新一代中尺度預報模式和同化系統(tǒng)。WRF模式為完全可壓縮、非靜力模式,水平方向采用Arakawa C交錯網格,垂直方向采用地形跟隨質量坐標。模式采用高階數值計算方法,包括二階和三階的Runge-Kutta時間積分方案,二階至六階的對流方案。

      本文應用WRF模式,主要對內陸山地風電場近地層風速進行模擬,并運用高精細邊界層模式進行山地條件下風電場風速動力降尺度模擬,為風電場風電功率預測提供基礎。限于篇幅,對高精細數值模式的建模方法和過程不予贅述。

      3 風電功率預測原理

      3.1 分位數回歸

      分位數回歸采用加權殘差絕對值之和的方法估計參數,其優(yōu)點體現在以下幾方面:

      1)對模型中的隨機擾動項不需做任何分布的假定,這樣整個回歸模型就具有很強的穩(wěn)健性;

      2)分位數回歸本身沒有使用一個連接函數來描述因變量的均值和方差的相互關系,因此分位數回歸有著比較好的彈性性質;

      3)分位數回歸由于是對所有分位數進行回歸,因此對于數據中出現的異常點具有耐抗性;

      4)不同于普通的最小二乘回歸,分位數回歸對于因變量具有單調變換性;

      5)分位數回歸估計出來的參數具有在大樣本理論下的漸進優(yōu)良性。

      3.2 分位數回歸神經網絡

      風速及風電場功率的預測是一個涉及因素繁多、十分復雜的非線性過程,并且具有高度的不確定性,因而單一的線性預測模型不足以挖掘風電功率數據中的所有信息。而神經網絡模型具有自學習、自組織和自適應性,可以充分逼近任意復雜的非線性關系,對于非線性復雜系統(tǒng)的建模、預測,神經網絡更實用、更經濟。因此,選擇神經網絡方法來對風電場的風電功率進行非線性預測研究,將會在很大程度上簡化建模工作,提高預測精度。

      分位數回歸神經網絡結合了分位數回歸和神經網絡的特點,采用神經網絡結構實現分位數回歸的參數辨識過程,是實現復雜地形下強波動性風電功率短期預測的有效手段。

      如圖1所示,在分位數回歸神經網絡中,隱節(jié)點采用Sigmoid型函數,輸出節(jié)點采用線性函數,誤差的表達式變?yōu)椋?/p>

      圖1 分位數回歸神經網絡示意圖Fig.1 Sketch of quartile regression neural network

      式中,τ為分位數;P為概率函數。

      由于概率函數不是處處可微,對概率函數進行近似處理。設:

      則:

      處理后概率函數處處可微,就可以使用梯度下降方法訓練神經網絡參數。

      4 風電功率預測系統(tǒng)結構與功能

      4.1 風電功率預測系統(tǒng)硬件平臺

      風電功率預測系統(tǒng)采用分布式結構,由數值天氣預報系統(tǒng)和風電功率預測系統(tǒng)組成。系統(tǒng)硬件平臺結構及與其他應用系統(tǒng)網絡的連接情況如圖2所示。

      圖2 風電功率預測系統(tǒng)硬件平臺Fig.2 Hardware platform of the wind power forecasting system

      4.2 系統(tǒng)軟件架構

      如圖3所示,系統(tǒng)的軟件主要分為5個部分:風速預測模塊、實時數據采集模塊、不良數據辨識模塊、風功率預測模塊、人機界面HMI模塊。

      圖3 風電功率預測系統(tǒng)軟件邏輯視圖Fig.3 Software logical view of the w ind power forecasting system

      4.3 系統(tǒng)間數據流接口

      與風電功率預測相關的各應用系統(tǒng)間的數據傳輸流如圖4所示。系統(tǒng)可與風電場側風力機監(jiān)控系統(tǒng)、升壓站監(jiān)控系統(tǒng)、測風塔直接通信采集數據。其中,要采集的主要數據類型如下。

      1)數值天氣預報數據:時間分辨率為15 min,包括至少3個不同層高的風速、風向、氣溫、氣壓、濕度等參數。

      圖4 系統(tǒng)間數據流傳輸流Fig.4 Data flow of the w ind power forecasting system

      2)測風塔實時測風數據:測風塔位置在風電場5 km范圍內且不受風電場尾流影響,宜在風電場主導風向的上風向。至少包括了10 m、70 m及以上高程的風速、風向、氣溫、氣壓、濕度信息。

      3)風電場實時功率SCADA數據。

      4)風力機實時運行數據:包括風力機當前的運行狀態(tài)、風速、風向、偏航狀態(tài)、實時功率等。

      5 應用軟件

      5.1 數值天氣預報客戶端程序

      NWP文件服務器上安裝了最新版V3.1.1的WRF模式軟件的。該軟件可顯示和處理基本氣象觀測數據、圖形圖像產品、數值預報格點資料,為繪制天氣圖和制作預報產品進行交互操作,并具有常用的資料處理工具[24]。

      通過調用該天氣預報客戶端軟件,調度員可以在圖形化界面上在線查看電網各風電場所在區(qū)域實時風速、風向、氣壓、降水、溫度等數值預報結果。

      5.2 風電功率預測應用軟件

      風電功率預測系統(tǒng)應用軟件包括功率預測功能模塊和人機界面功能模塊。功率預測功能模塊位于風電功率預測數據庫與應用服務器,是系統(tǒng)的核心模塊,人機界面功能模塊運行于風電功率預測工作站,是預測系統(tǒng)人機界面接口。功率預測模塊由人機界面功能模塊定時調用啟動運行。

      風電預測軟件可對單個風電場整場功率進行短期和超短期預測,也可對日前發(fā)電曲線和日前發(fā)電量進行預測。

      人機界面管理系統(tǒng)為調度員、預報員、系統(tǒng)維護人員等提供了內容豐富、操作靈活方便的人機接口。通過人機界面系統(tǒng),調度員可查看到日前預報結果、超短期預報結果,還可查看各風力機當前的運行狀態(tài)和預測結果。

      預報員看利用基礎數據服務查詢歷史數據、NWP數據,通過建模向導界面選擇算法,訓練模型,設置默認預測方案;也可以查看已有的預測結果,并對其進行誤差分析,生成報表。

      系統(tǒng)維護人員可以查看預測系統(tǒng)子模塊是否正常運行、運行日志和升級系統(tǒng)等。

      6 功率預測結果及誤差分析

      利用本文的系統(tǒng)對冀北電網投運的風電場A、風電場B共2個風電場進行了單個風電場在線短期和超短期風電功率預測,2個風電場風力機臺數分別為100臺和120臺,裝機容量分別為121.5 MW和220 MW。風電場功率輸出模型誤差約為2.2%,系統(tǒng)預測相對均方根誤差約為18%,兩個風電場的預測與實際結果對比情況分別如圖5和圖6所示。研究結果表明:風電場功率誤差主要來自SCADA實時數據和NWP數據,來自SCADA實時數據的精度誤差和NWP數據的誤差會嚴重影響預測系統(tǒng)的預報精度,是整個風電預測系統(tǒng)最大的2個誤差環(huán)節(jié)。

      圖5 風電場A的72 h短期功率預測與實際結果Fig.5 72 h short-term power prediction and the actual result in W ind Farm A

      7 結論

      本文設計的風電功率預測系統(tǒng)具備以下特點:

      1)與風電場信息系統(tǒng)進行連接,具備實時更新限電、檢修等風力機運行信息的能力;

      圖6 風電場B的72 h短期功率預測與實際結果Fig.6 72 h short-term power prediction and the actual result in W ind Farm B

      2)預測結果數據除了上送調度中心,還與風電場有功控制系統(tǒng)有數據接口,可以進行信息共享,大大擴展了風電功率預測系統(tǒng)的應用范圍;

      3)除了利用單一測風塔的風速數據訂正數值氣象預報,還有效綜合多來源氣象數據的訂正能力,對風資源的實時分析能力較強;

      4)除了能簡單計及地形和風力機排布的影響,還具備對復雜條件下風電場局地氣象分析能力,適用于復雜地形條件下的風電場風電功率預測;

      5)預測模型充分考慮了風電功率的波動性,預測準確率較高,實用性較好。

      另外,考慮到預測所需要的SCADA實時數據經常會存在異常和不完備的情況以及單一采用WRF模式的NWP數據誤差的問題,本文認為后續(xù)可以考慮引入風電場的PMU動態(tài)數據作為補充或替代數據源進行相關的對比預測研究以及考慮對WRF模式和MM5模式進行綜合分析的模式。

      [1] 黃雅莉,賀志峰.國外風電消納的主要經驗及借鑒[J].陜西電力,2013,41(10):19-24.HUANG Yali,HE Zhifeng.Main experience of wind power consumption at abroad and its reference for China[J].Shaanxi Electric Power,2013,41(10):19-24(in Chinese).

      [2] ANDREW B.Simulation of short-term wind speed forecast errors using a muti-varivate ARMA (1,1) time-series model[D].Stockholm,Sweden:Royal Institute of Technology,2005:76-80.

      [3] 楊媛媛,楊京燕,馬昌建,等.計及過負荷風險的風電并網電力系統(tǒng)動態(tài)經濟調度[J].陜西電力,2012,40(10):7-11,25.YANG Yuanyuan,YANG Jingyan,MA Changjian,et al.Dynamic economic dispatch in wind power integrated system considering risk of overload[J].Shaanxi Electric Power,2012,40(10):7-11,25(in Chinese).

      [4] 栗然,王飛.直驅型風電系統(tǒng)低電壓穿越技術仿真分析[J].陜西電力,2011,39(11):35-38.LI Ran,WANG Fei.Simulation analysis on low voltage ride-through technologies for direct drive wind power system[J].Shaanxi Electric Power,2011,39(11):35-38(in Chinese).

      [5] BARBARA G B,RICHARD W K,ALLAN H M.Time series models to simulate and forecast wind speed and wind power[J].Journal of Climate and Applied Meteorology,1984(23):1184-1195.

      [6] LEXIADIS M A,DOKOPOLOS P,SAHSAMANOGLOU H,et al.Short term forecasting of wind speed and related electrical power[J].Solar Energy,1998,63(1):61-68.

      [7] 李躍華,梁志瑞,張國飛,等.雙饋風電系統(tǒng)參數協調控制策略研究[J].陜西電力,2013,41(6):14-19.LI Yuehua,LIANG Zhirui,ZHANG Guofei,et al.Study on parameter coordination control policy of doubly-fed wind power system[J].Shaanxi Electric Power,2013,41(6):14-19(in Chinese).

      [8] BOSSANYI E A.Short-term wind prediction using Kalman filters[J].Wind Engineering,1985,9(1):1-8.

      [9] 邵慶華,邵昱,趙波,等.風速擾動情況下的風電并網電壓穩(wěn)定性研究[J].陜西電力,2013,41(3):15-17,SHAO Qinghua,SHAO Yu,ZHAO Bo,et al.Study on voltage stability of regional power grid-connected wind farms under wind disturbance[J].Shaanxi Electric Power,2013,41(6):15-17(in Chinese).

      [10] 車木佳,馮毅.太陽能最大功率跟蹤裝置的設計[J].節(jié)能技術,2011,29(6):552-559.CHE Mujia.FENG Yi.Design of a new type of solar MPPT system[J].Energy Conservation Technology,2011,29(6):552-559(in Chinese).

      [11] 趙吳鵬,王彪.傳動鏈模型對風機低電壓穿越能力的影響[J].節(jié)能技術,2012,30(4):335-352.ZHAO Wupeng,WANG Biao.Drive-train model for wind turbine lvrt capability influence[J].Energy Conservation Technology,2012,30(2):335-352(in Chinese).

      [12] KARINIOTAKIS G N,STAVRAKAKIS G S,NOGARET E F.Wind power forecasting using advanced neural networks models[J].IEEE Trans on Energy Conversion,1996,11(4):762-767.

      [13] 熊圖.運用廣義回歸神經網絡預測風電場功率[J].電網與清潔能源,2014,30(1):109-113.XIONG Tu.Wind power forecasting using generalized regression neural network[J].Power System and Clean Energy,2014,30(1):109-113(in Chinese).

      [14] 彭健,王斐,洪翠,等.基于OLS-SFLA-RBF神經網絡的風電出力預測[J].電網與清潔能源,2013,29(9):62-67.PENG Jian,WANG Fei,HONG Cui,et al.Wind power forecasting based on OLS-SFLA-RBF neural network[J].Power System and Clean Energy,2013,2(9):62-67(in Chinese).

      [15] 柳玉,郭虎全.基于AdaBoost與BP神經網絡的風速預測研究[J].電網與清潔能源,2012,28(2):80-83.LIU Yu,GUO Huquan.Wind speed prediction based on AdaBoost and BP neural networks[J].Power System and Clean Energy,2012,28(2):80-83(in Chinese).

      [16] 張靠社,楊劍.基于Elman神經網絡的短期風電功率預測[J].電網與清潔能源,2012,28(12):87-91.ZHANG Kaoshe,YANG Jian.Short-term wind power forecasting based on the elman neural network[J].Power System and Clean Energy,2012,28(12):87-91 (in Chinese).

      [17] SFETSOS A.A comparison of various forecasting techniques applied to mean hourly wind speed time series[J].Renewable Energy,2000(21):23-35.

      [18] 羅海洋,劉天琪,李興源,等.風電場短期風速的混沌預測方法[J].電網技術,2009,33(9):67-71.LUO Haiyang,LIU Tianqi,LI Xingyuan,et al.Chaotic forecasting method of short-term wind speed in wind farms[J].Power System Technology,2009,33(9):67-71(in Chinese).

      [19] 魏陽,李凌云,馬明娟,等.基于模糊綜合評價法的聚光型太陽能光熱發(fā)電風險評價研究[J].陜西電力,2012,40(3):1-5.WEI Yang,LI Lingyun,MA Mingjuan,et al.Study on risk assessment of concentrating solar power based on fuzzy comprehensive evaluation method[J].Shaanxi Electric Power,2012,40(3):1-5(in Chinese).

      [20] 周封,金麗斯,王丙全,等.基于高階Markov鏈模型的風電功率預測性能分析[J].電力系統(tǒng)保護與控制,2012,40(6):6-11.ZHOU Feng,JIN Lisi,WANG Bingquan,et al.Analysis of the wind power forecasting performance based on highorder Markov chain models[J].Power System Protection and Control.,2012,40(6):6-11(in Chinese).

      [21] 范高鋒,王偉勝,劉純.基于人工神經網絡的風電功率短期預測系統(tǒng)[J].電網技術,2008,32(22):82-86.FAN Gaofeng,WANG Weisheng,LIU Chun.Artificial neural network based wind power short term prediction system[J].Power System Technology,2008,32(22):82-86(in Chinese).

      [22] 陳虎,孟克其勞,馬建光.基于MATLAB的風力發(fā)電機組建模和仿真研究[J].節(jié)能技術,2012,30(1):24-28.CHEN Hu,MENG Keqilao,MA Jianguang.The modeling and simulation study of wind turbine based on MATLAB[J].Energy Conservation Technology,2012,30(1):24-28(in Chinese).

      [23] 馬彥宏,汪寧渤,劉福潮,等.甘肅酒泉風電基地風電預測預報系統(tǒng)[J].電力系統(tǒng)自動化,2009,33(16):88-99.MA Yanhong,WANG Ningbo,LIU Fuchao,et al.A wind power forecast system for jiuquan wind power base in Gansu province[J].Automation of Electric Power Systems,2009,33(16):88-99(in Chinese).

      [24] 周鵬,常蘭,李鵬,等.WRF模式在南京數值天氣預報中的應用[J].氣象科學,2011,31(5):598-603.ZHOU Peng,CHANG Lan,LI Peng,et al.The application of WRF model in the weather forecast of Nanjing[J].Journal of the Meteorological Sciences,2011,31(5):598-603(in Chinese).

      猜你喜歡
      電功率位數風電場
      基于PCC-CNN-GRU的短期風電功率預測
      五次完全冪的少位數三進制展開
      輕松上手電功率
      你會計算電功率嗎
      解讀電功率
      基于PSS/E的風電場建模與動態(tài)分析
      電子制作(2018年17期)2018-09-28 01:56:44
      含風電場電力系統(tǒng)的潮流計算
      探求風電場的遠景
      風能(2015年9期)2015-02-27 10:15:25
      代力吉風電場的我們
      風能(2015年7期)2015-02-27 10:15:02
      遙感衛(wèi)星CCD相機量化位數的選擇
      松滋市| 水城县| 潜山县| 佳木斯市| 洛扎县| 连江县| 汝城县| 精河县| 双牌县| 北碚区| 九龙城区| 镇赉县| 且末县| 洱源县| 慈利县| 深圳市| 墨竹工卡县| 屏边| 洛隆县| 古丈县| 屏山县| 昌邑市| 调兵山市| 工布江达县| 绥德县| 休宁县| 班玛县| 天镇县| 铜梁县| 元阳县| 睢宁县| 阜康市| 高陵县| 方正县| 桂阳县| 页游| 阿鲁科尔沁旗| 灵宝市| 山东省| 南昌县| 上高县|