【摘 要】
:
实现“碳达峰、碳中和”已成为世界各国的共同目标,并且是未来的能源大趋势,提升可再生能源发电比例则是持续推进碳减排的重要方式和决定性因素。而高比例可再生能源的快速发展给电力系统带来历史性机遇的同时也带来了全新的问题与挑战,由于风能自身所固有的间歇性、随机性和波动性极大,全国范围内的风电场的消纳形势异常严峻,现有区域有功调度控制尚未真正支撑风电消纳水平的提升,风电功率超短期预测和可用发电功率计算的精度
论文部分内容阅读
实现“碳达峰、碳中和”已成为世界各国的共同目标,并且是未来的能源大趋势,提升可再生能源发电比例则是持续推进碳减排的重要方式和决定性因素。而高比例可再生能源的快速发展给电力系统带来历史性机遇的同时也带来了全新的问题与挑战,由于风能自身所固有的间歇性、随机性和波动性极大,全国范围内的风电场的消纳形势异常严峻,现有区域有功调度控制尚未真正支撑风电消纳水平的提升,风电功率超短期预测和可用发电功率计算的精度不足以支撑区域有功调度控制策略的优化。因此,如何在风力发电快速发展的背景下提升风电功率超短期预测和可用发电功率计算的精度,已成为现阶段需要重点研究解决的问题,当下以深度学习为代表的新兴技术的涌现为这一实际问题的解决提供了新方法和新思路。基于以上背景,本文首先针对异常数据辨识问题进行研究,并将处理后的数据作为后续模型的输入数据;然后,针对风电场可用发电功率计算问题,在研究发电工况和站内损耗的影响后建立了基于长短期记忆网络(Long Short-Term Memory,LSTM)的风电场可用发电功率计算模型;最后,针对风电功率超短期预测问题,在研究了风电功率特性的基础上提出了基于LSTM和图卷积神经网络(Graph Convolutional Network,GCN)的、考虑时空相关性和站内损耗的风电功率超短期预测模型。本文具体工作内容如下:(1)通过对单机信息系统的风电机组风速、功率数据进行分析,根据异常数据在曲线上的分布特征及其产生原因将功率异常数据分成三类:底部堆积型、中部堆积型和分散型异常数据。为准确辨识出各类异常数据,本文提出了基于逻辑(规则)判断、Thompson tau和四分位法组合的功率异常数据辨识方法,其中,基于逻辑(规则)判断的异常数据辨识方法主要适用于辨识底部堆积型数据,基于Thompson tau和四分位法的异常数据辨识方法主要适用于中部堆积型和分散型异常数据辨识。采用所提方法对某实际机组的异常数据进行辨识,有效地辨识出了功率异常数据。(2)基于预处理后的数据,建立了基于长短期记忆网络的单机理论功率计算模型,在此基础上提出了考虑发电工况和站内损耗的风电场可用发电功率计算方法。首先,基于皮尔逊相关系数筛选出风电机组理论发电功率的关键历史时刻,以此为依据设计出单层LSTM风电机组理论发电功率计算模型。然后,针对风电机组发电工况进行研究,详细分析了不同工况下的风电机组可用发电功率。之后根据风电场的一次系统图和风机地理布置图,建立了风电场站内损耗的简化等值电路模型。最后,在以上工作的基础上实现了风电场可用发电功率的计算,案例分析结果表明:本文所提风电场可用发电功率计算方法的均方根误差仅为1.32%,显著低于传统计算方法。(3)基于LSTM和GCN,提出了一种考虑时空相关性和站内损耗的风电功率超短期预测模型。首先,利用Spearman相关系数法筛选出了风电功率的关键影响因素、分析了风电功率的时序相关性和风电场内风电机组之间的空间相关性。然后,利用LSTM提取风电机组时序特征信息、GCN提取空间特征信息并解决站内损耗问题,建立了考虑时空相关性和站内损耗的风电功率超短期预测模型。最后,案例分析表明该模型能够有效的完成风电功率的超短期预测,其准确率和合格率分别达到88.38%和97.15%,显著高于BP(Back Propagation)神经网络模型。本文研究的相关研究成果将有利于国家电网公司调度部门的在线调度和直调风电AGC系统策略的优化,促进新能源消纳,减少电力行业的碳减排,助力我国“双碳”承诺的实现。
其他文献
随着全球的能源结构的加速转型,风电作为一种可再生清洁能源,得到越来越广泛的应用。与此同时,雷电对风电机组运行的灾害性正备受关注。基于这一现状,本文旨在从计算分析和实验调查两个方面研究风力发电机组的雷电暂态过程,并分析影响风电机组暂态过程的各种因素。本文首先对风电机组中的各主要组成部分进行了暂态电路模型的建立,其中包括三叶片、机舱引流部位、塔筒-线缆以及接地装置等部分,并给出了各个部分模型电气参数的
模块化机器人可以基于不同的应用场景灵活快速地构建出不同的运动学构型,具有传统机器人无可比拟的优势。在搭建完成机器人的物理模型之后,开发人员如何根据机器人的物理构型进行软件层面的建模是现在模块化机器人研究的方向之一。然而,模块化机器人系统的构型识别是一个耗费大量时间精力且准确率不高的任务。传统构型识别的方法有基于特定标志的检测方法或者基于内置红外模块的识别方法。由于实际应用场景的复杂性,这些方法存在
零模约束优化问题在投资组合问题、机器学习、信号和图像处理、模式识别、回归分析等诸多领域有着广泛的应用.由于零模函数的组合性,零模约束优化问题一般是NP难问题,一般的连续优化方法不再适合用来处理该问题.为了克服零模函数组合性带来的困难,本文借助零模函数的变分刻画,将这类NP难问题转化为带有半互补约束集的约束优化问题,即MPCC问题.本文主要研究MPCC问题的稳定点理论.约束优化问题的可行集合的切锥和
车辆互联环境下匀质车辆队列协同控制技术是一个新的热点技术领域,在发展智慧交通系统方面,它不但可以提升车辆安全性和道路效率,同时也可以降低碳排放量和节省行车时间.因此,对于在车辆互联条件下匀质车辆队列协同控制系统,有着重要的理论研究价值与实际意义,其中互联车辆的稳定性是诸多学者研究的重点之一.本文研究了对互联车辆系统在脉冲作用下的稳定性,将协同制动车辆系统问题表述为具有初始条件约束的一阶和二阶微分方
刀具寿命是加工生产率的一个重要限制因素。特别在多品种小批量的生产环境中,数控机床的刀库容量有限,一次的换刀不能完成所有任务的加工。在加工过程中会有寿命用尽的刀具,或着任务所需刀型不在刀库里,需要进行换刀以满足任务的加工要求。然而频繁的换刀会增加停机次数、换刀数量和使用新刀具数量,从而降低生产效率,增加配置成本。为了解决以上问题,本文从以下几个方面展开研究:首先,对自动化加工中心生产运作过程进行详细
随着电动汽车行业的快速发展,越来越多的电池从原本的应用场景中退役下来,退役电池的梯次利用技术已成为新能源领域的研究热点。而退役电池往往存在很多内部损伤,仅以容量和内阻等数据作为退役电池的筛选指标和健康特征不能反应电池的内部的老化,因此需要无损地获取更多反应电池内部健康状态的特征参数,作为退役电池筛选和评价的指标。本文通过搭建电池的电化学模型,使用模拟退火算法进行参数辨识,获取电池的电化学参数,依据
陶瓷球轴承具有密度低、硬度高、弹性模量大以及热膨胀系数小等众多良好的机械性能,使其能够在恶劣的环境下稳定运行,并被广泛应用于高速主轴、高端机床、高速列车、发电机组等装备中。陶瓷球作为陶瓷球轴承中的关键部件,其加工质量直接决定着整个陶瓷球轴承的性能。由于氧化锆陶瓷球的硬度高、球体抛光加工困难,本文结合传统的V型槽抛光加工球体的特点以及磁流变抛光加工的特点,设计了氧化锆陶瓷球磁流变抛光加工装置,对氧化
电池系统健康状态的准确评估是电动汽车运行维护的重要依据,能够保障电动汽车安全可靠运行,提高续驶里程,延长使用寿命。针对当前锂离子电池评估需求大、评估时间长的现状,设计一种基于线下检测的车载锂离子电池健康状态快速评估方法,电动汽车的充电数据与电池健康状态评估方法相结合,通过对电池健康状态评估,拟解决新能源汽车行业风险防控、维保痛点。本文通过对磷酸铁锂电池全生命周期电池循环数据分析,结合电池老化机理提
随着社会的发展,人口膨胀与能源短缺给人类可持续发展带来严重困扰,为此人们纷纷将目光投入海洋。对海底沉积物进行取样分析是进行海洋地质调查的重要环节,相比于从海面直接钻探的大型钻探船,海底钻探采样机器人因其作业的灵活性和作业成本的低廉性,在海底岩土勘探中起着重要作用,是世界各海洋强国争相研制的重要技术装备。而钻探取芯机构系统是钻探机器人的核心骨架,是岩土取芯任务功能的核心执行单元。针对海底沉积物采样探
机器人的灵巧操控是机器人领域和控制领域的前沿交叉研究方向,是使机器人具备通用性、走向人类生活的必备前提。然而,由于灵巧操控问题具有非结构性、高度复杂性等特点,传统的控制理论难以有效发挥作用。近年来,深度强化学习技术在各个领域不断取得新突破,在灵巧操控问题上也已经取得了一定的成功,但其学习速度、样本效率等方面仍旧水平低下。鉴于此,本文基于深度强化学习技术开展了机器人灵巧操控问题的研究,目的在于提高机