论文部分内容阅读
摘要：风速的时变特性一直是影响风机发电可靠性的最大因素之一，越来越大量的风电并网已经影响到地区电网负荷的调节乃至整个电网的安全，风功率预测对于区域电网的调峰有指示性的作用，采用灰色模型的方法對风速进行预测，并对比RBF神经网络仿真结果，论述了风速预测的可靠性以及准确预测风功率在调峰系统中的重要作用。
关键字：功率预测；灰色模型；神经网络；调峰
中图分类号：TM614
1、 引言
随着有限能源的开采利用，可再生能源的开发成为时代主题。风电具有安全、经济、充裕的特点，开发技术逐渐成熟，将成为人类利用的主要清洁能源之一。由于风电的发电量日益增长，国家也要求清洁能源全部上网，对于电网的安全运行是一次新的挑战。由于风机出力的随机性、不稳定性，输出电能质量影响并网以及电网运行，大规模的风电场容量还会影响到电网的调峰计划，加大了本地区的调度工作量。
风电容量与电网消纳能力的协调，从风功率的预测和电网调峰能力衡量风电场的适用价值。文献[1]运用小波分解结合神经网络的方法达到对风速的分类测定，并预测出风机出力，“等效负荷”分析验证其有效性；也有采用时间序列法[2]对风速进行实时预测，了解风电场上网容量和运行状况。文献[3]提出了大规模风电并网能力的多目标优化方法，利用负荷需求响应可有效提高电网调峰能力。文献[4] 提出了一种基于神经网络的谐波检测方法，并对谐波滤波的系统结构进行分析，与仿真结果共同验证可靠性。
本文主要对灰色模型预测方法与RBF神经网络方法进行理论分析，进行风速预测，并结合仿真结果，表明两种方法的可靠性以及他们之间的差异性。最后对电网的功率调节进行阐述，表明相对容量的风功率对于电网的功率波动的影响，调节电能质量，改善调峰能力。
2、 风功率的预测
2.1 双馈异步风力发电机原理
如图1所示，为双馈异步发电机在并网中的接线图，它的核心是一个绕组式感应发电机，是变速恒频风力发电机组的核心部件。
双馈的含义是定子电压由电网提供，转子电压由变流器提供。该系统允许在限定的大范围内变速运行。通过注入变流器的转子电流，变流器对机械频率和电频率之差进行补偿。在整个系统里面一个最大的影响变量就是风速，风速的大小影响机械转速，从而改变变流器的控制策略，进行不同程度的补偿。风速和功率对应的计算公式如式（1）所示：
式中为风速，是启动风速，是额定风速，是切除风速，、、为风功率特性系数，表示风机的额定出力。
2.2 风速的预测
1）GM（1，1）灰色模型
2）RBF神经网络
RBF神经网络是一种三层前向网络，包括输入节点层、中间非线性处理层和线性加权输出层。从总体上看，网络从输入到输出的映射是非线性的，而网络输出参数对输出层权值而言又是线性的，这样可以大大加快学习速度，且可以避免局部最小值的出现。RBF网络的输出是隐层节点输出的线性组合：
式中是网络权值集合，代表隐含侧输出节点，为隐含层节点个数。隐含层RBF采用的高斯函数如式（11）所示：
为了对比分析，采用与灰色模型相同的风速数据，如图3所示为RBF神经网络预测结果，图3（a）是网络的误差训练，由于风速的变化比较大，通过大量的实验我们设置误差训练阈值不超过0.7，仿真结果如图（b）所示。
3）结果分析
目前对风速的预测误差都比较大，一般在15%～30%，如表1所示为两种方法预测结果，通过对比分析可以看到两种方法中都有误差比较大的结果，这主要是由于风速的随机性太大，模型的不够完善所致。
径向基函数神经网络是一种性能良好的前向网络，它具有全监督式和全局逼近的性质，在网络结构上具有输出权值线性关系，训练方法快速、易行，不存在局部最优问题，可以看到在数据上能够达到较高的精确度；灰色模型是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的描述，能够做到较为准确的预测。
对于预测结果中出现的错误的数据，在以后的学习研究中，可以将这类型数据归为错误的数据，保留原来的数据，将预测的数据作为原始数据的元素，进行预测生成新的风速序列，按这种方法进行，直到预测到规定的步数为止。
3、 风功率预测的应用
风能作为一种清洁性能源，可以大量的被生产，节省资源，但是目前的研究一直处于探索阶段。风能的不稳定因素很多，风速是其中最具影响的自然因素，不同的风速决定着风机不同的功率运行阶段，不同地区风能资源的差异也会对风机的容量和稳定性运行起到决定性的作用。
风功率作为一种能源，应该实现电能的优化配置，风电场不同于水电厂和火电厂，在实现能源的合理优化调度时会有较大的裕度。目前对风能的应用措施很多，采用超级电容储能装置能够达到对风电功率的调节作用[5]，减小波动，达到对电能质量的改善；也能够结合超级电容与蓄电池，根据文献[6]提出的功率分配方法和储能元件荷电状态的储能能量调整规则，优化功率调节能力；并入电网的风电容量对于电网的消纳能力限度主要体现在调峰等方面，灵活的运用当地水电结合风电容量参与电网调峰[7]，能够提高电网运行的经济性。
风电场的介入起到一定的缓解作用，如图4所示，实际负荷是指主要的火电出力，等效负荷即为风电参与调峰之后的效果，可以减轻主要的火电机组出力，减小机组在高负荷运行状态的压力。
系统的最大负荷受限于风电场穿透功率极限，当负荷超过一定的值后，就会影响电网的电能质量和稳定安全运行。而对风速的准确预测可以减少风电场的旋转设备和运行成本，提高风电穿透功率极限，可以帮助调度部门及时调整计划，从而减轻风能对电网的冲击。提高风电质量和上网容量，解决区域性电网与风电穿透功率极限的容错问题是未来研究风电的重要方向。
参考文献
[1]李宇佳，刘宗歧.考虑风电并网的短期负荷预测方法研究[G].华北电力大学. 2011.
[2]王明伟，王晓兰.风电场短期风速预测研究[G].兰州理工大学.2009.
[3]刘新东，陈焕远，方科.利用负荷需求响应提高大规模风电并网能力[J].中国电力.2012，45（2）：10-14.
[4]单明. 风能发电系统谐波检测智能方法研究[J].中国科技博览.2011（7）：
23-24.
[5]郭学英，郑建勇，梅军，徐友.基于超级电容储能的风电并网功率调节控制系统[J].可在生能源.2011，29（2）：29-32.
[6]赵艳雷，李海东，张磊，张厚升.基于快速储能的风电潮流优化控制系统[J]. 2012，32（13）：21-28.
[7]衣立东，朱敏奕，魏磊，姜宁，于广亮.风电并网后西北电网调峰能力的计算方法[J].电网技术.2010，34（2）：130-132.
关键字：功率预测；灰色模型；神经网络；调峰
中图分类号：TM614
1、 引言
随着有限能源的开采利用，可再生能源的开发成为时代主题。风电具有安全、经济、充裕的特点，开发技术逐渐成熟，将成为人类利用的主要清洁能源之一。由于风电的发电量日益增长，国家也要求清洁能源全部上网，对于电网的安全运行是一次新的挑战。由于风机出力的随机性、不稳定性，输出电能质量影响并网以及电网运行，大规模的风电场容量还会影响到电网的调峰计划，加大了本地区的调度工作量。
风电容量与电网消纳能力的协调，从风功率的预测和电网调峰能力衡量风电场的适用价值。文献[1]运用小波分解结合神经网络的方法达到对风速的分类测定，并预测出风机出力，“等效负荷”分析验证其有效性；也有采用时间序列法[2]对风速进行实时预测，了解风电场上网容量和运行状况。文献[3]提出了大规模风电并网能力的多目标优化方法，利用负荷需求响应可有效提高电网调峰能力。文献[4] 提出了一种基于神经网络的谐波检测方法，并对谐波滤波的系统结构进行分析，与仿真结果共同验证可靠性。
本文主要对灰色模型预测方法与RBF神经网络方法进行理论分析，进行风速预测，并结合仿真结果，表明两种方法的可靠性以及他们之间的差异性。最后对电网的功率调节进行阐述，表明相对容量的风功率对于电网的功率波动的影响，调节电能质量，改善调峰能力。
2、 风功率的预测
2.1 双馈异步风力发电机原理
如图1所示，为双馈异步发电机在并网中的接线图，它的核心是一个绕组式感应发电机，是变速恒频风力发电机组的核心部件。
双馈的含义是定子电压由电网提供，转子电压由变流器提供。该系统允许在限定的大范围内变速运行。通过注入变流器的转子电流，变流器对机械频率和电频率之差进行补偿。在整个系统里面一个最大的影响变量就是风速，风速的大小影响机械转速，从而改变变流器的控制策略，进行不同程度的补偿。风速和功率对应的计算公式如式（1）所示：
式中为风速，是启动风速，是额定风速，是切除风速，、、为风功率特性系数，表示风机的额定出力。
2.2 风速的预测
1）GM（1，1）灰色模型
2）RBF神经网络
RBF神经网络是一种三层前向网络，包括输入节点层、中间非线性处理层和线性加权输出层。从总体上看，网络从输入到输出的映射是非线性的，而网络输出参数对输出层权值而言又是线性的，这样可以大大加快学习速度，且可以避免局部最小值的出现。RBF网络的输出是隐层节点输出的线性组合：
式中是网络权值集合，代表隐含侧输出节点，为隐含层节点个数。隐含层RBF采用的高斯函数如式（11）所示：
为了对比分析，采用与灰色模型相同的风速数据，如图3所示为RBF神经网络预测结果，图3（a）是网络的误差训练，由于风速的变化比较大，通过大量的实验我们设置误差训练阈值不超过0.7，仿真结果如图（b）所示。
3）结果分析
目前对风速的预测误差都比较大，一般在15%～30%，如表1所示为两种方法预测结果，通过对比分析可以看到两种方法中都有误差比较大的结果，这主要是由于风速的随机性太大，模型的不够完善所致。
径向基函数神经网络是一种性能良好的前向网络，它具有全监督式和全局逼近的性质，在网络结构上具有输出权值线性关系，训练方法快速、易行，不存在局部最优问题，可以看到在数据上能够达到较高的精确度；灰色模型是通过少量的、不完全的信息，建立灰色微分预测模型，对事物发展规律作出模糊性的描述，能够做到较为准确的预测。
对于预测结果中出现的错误的数据，在以后的学习研究中，可以将这类型数据归为错误的数据，保留原来的数据，将预测的数据作为原始数据的元素，进行预测生成新的风速序列，按这种方法进行，直到预测到规定的步数为止。
3、 风功率预测的应用
风能作为一种清洁性能源，可以大量的被生产，节省资源，但是目前的研究一直处于探索阶段。风能的不稳定因素很多，风速是其中最具影响的自然因素，不同的风速决定着风机不同的功率运行阶段，不同地区风能资源的差异也会对风机的容量和稳定性运行起到决定性的作用。
风功率作为一种能源，应该实现电能的优化配置，风电场不同于水电厂和火电厂，在实现能源的合理优化调度时会有较大的裕度。目前对风能的应用措施很多，采用超级电容储能装置能够达到对风电功率的调节作用[5]，减小波动，达到对电能质量的改善；也能够结合超级电容与蓄电池，根据文献[6]提出的功率分配方法和储能元件荷电状态的储能能量调整规则，优化功率调节能力；并入电网的风电容量对于电网的消纳能力限度主要体现在调峰等方面，灵活的运用当地水电结合风电容量参与电网调峰[7]，能够提高电网运行的经济性。
风电场的介入起到一定的缓解作用，如图4所示，实际负荷是指主要的火电出力，等效负荷即为风电参与调峰之后的效果，可以减轻主要的火电机组出力，减小机组在高负荷运行状态的压力。
系统的最大负荷受限于风电场穿透功率极限，当负荷超过一定的值后，就会影响电网的电能质量和稳定安全运行。而对风速的准确预测可以减少风电场的旋转设备和运行成本，提高风电穿透功率极限，可以帮助调度部门及时调整计划，从而减轻风能对电网的冲击。提高风电质量和上网容量，解决区域性电网与风电穿透功率极限的容错问题是未来研究风电的重要方向。
参考文献
[1]李宇佳，刘宗歧.考虑风电并网的短期负荷预测方法研究[G].华北电力大学. 2011.
[2]王明伟，王晓兰.风电场短期风速预测研究[G].兰州理工大学.2009.
[3]刘新东，陈焕远，方科.利用负荷需求响应提高大规模风电并网能力[J].中国电力.2012，45（2）：10-14.
[4]单明. 风能发电系统谐波检测智能方法研究[J].中国科技博览.2011（7）：
23-24.
[5]郭学英，郑建勇，梅军，徐友.基于超级电容储能的风电并网功率调节控制系统[J].可在生能源.2011，29（2）：29-32.
[6]赵艳雷，李海东，张磊，张厚升.基于快速储能的风电潮流优化控制系统[J]. 2012，32（13）：21-28.
[7]衣立东，朱敏奕，魏磊，姜宁，于广亮.风电并网后西北电网调峰能力的计算方法[J].电网技术.2010，34（2）：130-132.