论文摘要
大规模风电并网给电力系统的安全稳定运行带来了严峻的挑战,风电功率预测是应对风电不确定性、促进风电消纳的重要途径。传统的预测方法因考虑因素单一,精度的提升空间有限,因此亟需研究新的理论和方法,通过在广域范围内充分挖掘和利用风电场之间的时空相关性,来有效改善风电功率预测效果。本文研究了风电场异常数据的分析与处理方法,为预测提供高质量的基础数据;对大规模风电功率的时空变化规律进行了分析,进而从不同的层面,在时空相关性的框架下,以时空信息的合理化利用为核心原则,针对独立风电场、集群内风电场和集群提出了一系列风电功率短期时空预测方法。论文的主要创新内容如下:针对弃风限电造成的风电场异常运行数据,分析了弃风异常数据在时序、概率分布、风速-功率散点图中的基本特征,提出了两种剔除风电场异常运行数据的组合方法,即四分位和k-means聚类的组合方法以及四分位和密度聚类的组合方法。提出了二次聚类的方法,解决了使用k-means时异常数据簇聚类个数难以确定的问题。分析了密度聚类方法的参数敏感度,给出了密度聚类的参数设定原则。结果表明,两种组合方法均能够有效识别和剔除异常数据、改善数据质量,计算效率高,通用性强,从而可以为风电功率预测提供良好的数据基础。针对独立的单一风电场的功率预测,基于时间序列的正向时间相关性理论,提出了时间序列反向时间相关性的概念,推导分析了反向时间序列的统计特征,进而建立了反向风电功率预测模型。根据正向和反向时间相关性预测结果的差异特征,构建了一种双向风电功率预测机制。算例分析表明,基于双向预测机制的风电功率预测模型可以减小风电功率序列极值点处大误差的出现概率,从而有效提高了风电功率预测精度。反向预测和双向预测机制提供了一种新的风电功率预测范式和框架,为开发更高精度的预测方法提供参考依据。针对大规模集群内风电场的功率预测,采用多元向量自回归模型（VAR）作为基础预测模型,表征风电场之间的时空相关性。基于稀疏化建模理论,将VAR模型转化为带约束的混合整数非线性规划问题,建立了可以调整预测模型相关性稀疏结构的稀疏控制VAR模型（SC-VAR）。为了解决SC-VAR的约束和参数过于复杂的问题,并且能够在预测模型中集成必要的先验知识,构建了基于风电场空间相关信息的稀疏控制矩阵,提出了相关性约束和稀疏控制的VAR模型（CCSC-VAR）,可以满足在实际应用中对相关性稀疏结构的特殊限制或需求。提出的预测方法为基于时空相关性的风电功率预测过程的可控性提供了新的思路。针对大规模集群内风电场的功率预测,为了解决离线时空相关性模型对预测环境的适应性低、训练速度慢的问题,提出了一种基于稀疏递归估计的大规模风电功率在线预测方法,采用最新的实测数据,对预测模型进行实时调整和更新。分析了风电场相关性与在线预测模型稀疏结构之间的关系,揭示了在线稀疏性预测方法的运行机理。算例分析结果表明,采用在线稀疏性预测方法,可以动态优选对目标风电场最有利的时空相关信息,能够实时反映预测环境的变化,提高模型的适应能力,同时还可以分散传统批量训练的计算负担,提升计算效率。针对大规模风电集群总出力的升尺度预测,量化分析了风电场间的相关性以及风电场的空间分布与集群风电功率波动特性之间的联系,阐释了输入特征变量对集群风电出力的影响机理。基于分析结果,提出了用于集群风电功率升尺度预测的最大相关-最小冗余数值天气预报（NWP）特征选取策略。将选取的NWP特征直接用于集群风电功率升尺度预测,减小了因间接对单个风电场进行预测而带来的不确定性和复杂性,同时只需完成少量特征风电场的选取,即可不再依赖于非特征风电场的数据,从而在保证预测精度的前提下,显著减小数据成本和计算成本。
论文目录
摘要Abstract第一章 绪论 1.1 课题背景和意义 1.1.1 课题研究背景 1.1.2 大规模高比例风电并网带来的问题 1.1.3 风电功率预测的意义 1.1.4 基于时空相关性的风电功率预测的意义 1.2 世界典型风电功率预测系统概述 1.2.1 欧洲 1.2.2 美国 1.2.3 中国 1.3 传统风电功率预测方法研究现状 1.3.1 风电功率预测方法的基本分类体系 1.3.2 风电功率统计与智能预测方法 1.3.3 风电功率物理预测方法 1.3.4 风电功率组合与集合预测方法 1.3.5 风电功率预测不确定性分析和概率预测方法 1.4 基于时空相关性的风电功率预测方法研究现状 1.4.1 风电功率的时空关联特性分析 1.4.2 基于时空相关性的物理预测方法 1.4.3 基于时空相关性的统计预测方法 1.4.4 风电功率的空间平滑与集群升尺度预测 1.5 本文的研究思路和主要工作 1.5.1 本文的研究思路 1.5.2 本文的主要工作第二章 用于风电功率预测的数据异常特征分析与识别方法 2.1 概述 2.2 风电场异常运行数据的特征分析 2.2.1 风电场运行数据的基本特征和异常数据的种类 2.2.2 弃风限电的成因与现状 2.2.3 风电场弃风异常数据的特征分析 2.3 基于四分位法和聚类的异常数据组合识别方法 2.3.1 四分位法剔除分散型异常数据的原理 2.3.2 剔除弃风异常数据簇的二次聚类方法 2.3.3 剔除弃风异常数据簇的密度聚类方法 2.3.4 识别和剔除异常数据的流程 2.4 算例分析 2.4.1 识别和剔除异常数据的流程示例 2.4.2 DBSCAN算法的灵敏度分析 2.4.3 结果分析和讨论 2.5 本章小结第三章 大规模风电功率的时空变化规律分析 3.1 概述 3.2 风电功率的时间变化规律分析 3.2.1 时域分析 3.2.2 频域分析 3.2.3 时间序列分解 3.3 风电功率的空间变化规律分析 3.3.1 空间持续性与空间自相关性 3.3.2 空间插值方法 3.3.3 空间聚类 3.4 风电功率的时-空变化规律分析 3.4.1 风电功率的时空持续性 3.4.2 风电功率的时空相关性 3.4.3 风电功率的时空马尔科夫链 3.5 本章小结第四章 基于双向时间相关性的风电场功率预测方法 4.1 概述 4.2 风电功率时间序列的正向和反向时间相关性理论分析 4.2.1 时间序列的基本概念和特征 4.2.2 典型风电功率时间序列预测模型 4.2.3 时间序列的反向时间相关性理论分析 4.3 风电功率双向预测机制和模型 4.3.1 用于正向预测的极限学习机模型 4.3.2 风电功率的反向预测原理 4.3.3 用于反向预测过程的优化算法 4.3.4 风电功率的双向预测机制 4.4 算例分析 4.4.1 误差综合评价指标 4.4.2 正向和反向时间序列的统计特性验证分析 4.4.3 预测模型的参数优化 4.4.4 结果分析与讨论 4.5 本章小结第五章 基于时空相关性的集群风电场功率稀疏性预测方法 5.1 概述 5.2 空间相关性的多元统计表征和稀疏化建模理论 5.2.1 空间相关性的多元统计表证 5.2.2 多元时间序列模型的稀疏化原理 5.2.3 稀疏化模型的求解算法 5.3 相关性约束和稀疏控制的风电功率时空预测方法 5.3.1 时空相关性的稀疏结构与稀疏控制 5.3.2 基于稀疏控制的风电功率时空预测方法 5.3.3 基于相关性约束和稀疏控制的风电功率时空预测方法 5.3.4 稀疏控制模型的分解求解 5.4 算例分析 5.4.1 参照模型 5.4.2 评价指标和试验数据 5.4.3 模型参数分析与优化 5.4.4 结果分析与讨论 5.5 本章小结第六章 基于时空相关性的集群风电场功率在线稀疏性预测方法 6.1 概述 6.2 在线学习与优化理论 6.2.1 在线学习与批量学习的差异 6.2.2 在线学习与优化算法的基本原理 6.2.3 向量自回归模型的在线求解方法 6.3 采用稀疏递归估计的风电功率在线时空预测 6.3.1 大规模风电功率在线预测模型的构建 6.3.2 在线预测模型的稀疏递归估计算法 6.4 算例分析 6.4.1 数据与对比模型 6.4.2 模型的参数分析与优化 6.4.3 结果分析 6.5 本章小结第七章 基于空间相关性的集群风电功率升尺度预测方法 7.1 概述 7.2 风电集群功率升尺度预测的基本概念和基本理论 7.2.1 风电集群功率升尺度预测的基本概念 7.2.2 风电集群功率升尺度预测的基本理论 7.3 风电集群的空间相关性和平滑效应分析 7.3.1 风电场相关性与风电场分布的关系 7.3.2 集群空间平滑效应与风电场分布的关系 7.3.3 集群空间平滑效应与空间相关性的关系 7.4 集群风电功率预测的NWP特征集选取策略 7.4.1 用于集群风电功率预测的互信息计算方法 7.4.2 基于mRMR的最优NWP特征集选取策略 7.4.3 基于平均距离最大和相关系数排序的特征选取策略 7.5 算例分析 7.5.1 数据和误差指标 7.5.2 最优NWP特征集的选取过程 7.5.3 最优NWP特征集的有效性验证 7.6 本章小结第八章 结论与展望 8.1 结论 8.2 创新点 8.3 展望参考文献致谢作者简介
文章来源
类型: 博士论文
作者: 赵永宁
导师: 叶林
关键词: 风电功率预测,时空相关性,风电并网,风电场,风电集群
来源: 中国农业大学
年度: 2019
分类: 工程科技Ⅱ辑
专业: 电力工业
单位: 中国农业大学
分类号: TM614
总页数: 308
文件大小: 32886K
下载量: 1519
相关论文文献
标签：风电功率预测论文; 时空相关性论文; 风电并网论文; 风电场论文; 风电集群论文;
