论文部分内容阅读
风电功率具有波动性、随机性等特点。风电大规模并网给电力系统的安全稳定运行带来了较大冲击。开展短期风电功率预测可以降低风电不稳定性对电网的不利影响,提高系统调峰能力,提升电网对风电的消纳能力。本文开展了基于天气类型划分的短期风电功率预测技术的研究,主要包括以下几个方面:首先,开展了基于小波滤波(Wavelet Filtering,WF)和基于改进的集成经验模态分解(Modifid Ensemble Empirical Mode Decompositio,MEEMD)方法进行风电功率数据滤波的研究。研究结果显示,MEEMD方法比小波滤波方法对风电功率数据的滤波效果更好。其次,开展了爬坡事件识别及其特性分析的研究。本文对标准的旋转门算法增加反馈环节进行修正,提出了改进的旋转门算法。分别采用标准的旋转门算法和改进的旋转门算法对风电功率数据中的爬坡事件进行识别。算例结果表明,改进的旋转门算法比标准的旋转门算法对爬坡事件的识别精度更高。基于改进的旋转门算法对山东省三个风电场的风电功率数据进行了爬坡事件的识别,并对识别出来的爬坡事件的特性进行了分析。最后,开展了基于天气类型划分的动态自适应短期风电功率预测方法的研究。首先基于风速波动特性对天气类型进行划分,对不同天气类型下时间尺度不一致的风速波动过程基于多项式拟合和采样,转化为相同时间尺度的风速波动过程。其次在不同天气类型下,分别采用自回归积分滑动平均(Auto-regressive Integrated Moving Average,ARIMA)、极限学习机(Extreme Learning Machine,ELM)和最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)模型进行风电功率预测,并根据预测效果选择出最优预测模型。最后基于不同天气类型,动态自适应地选择最优预测模型进行短期风电功率预测。算例结果表明,进行时间尺度为3天的短期风电功率预测时,基于天气类型划分的动态自适应短期风电功率预测方法相比于LSSVM、ELM和ARIMA预测方法,均方根误差分别降低了2.8%、4%和6.2%。