论文部分内容阅读
摘 要:风力发电能够在短时间内实现规模化和商业化。但是由于风电的随机性、间歇性和波动性增加了电网调度的难度,对输出功率及时有效地预测能够减少电力系统的运行成本和旋转备用,本文就兆瓦级风电机组输出功率预测进行简要分析,希望能为同仁提供帮助。
关键词:兆瓦级、风力发电、输出功率、预测
中图分类号:TM315
能源是人类生存活动的原动力,是经济发展的物质基础。伴随着经济的快速发展,安全、可靠的能源供应和高效、无污染的能源利用是实现经济持续稳步发展的关键措施。风能是太阳能的一种转化形式,具有清洁环保和可再生的优点,并且储量丰富,分布广泛。但是风的波动性和随机性对电网的稳定性造成巨大影响,甚至导致并网时输出功率对电网的稳定性产生很大冲击而影响电能质量。合理的输出功率预测能够有效地缓解电力系统调峰、调频压力,对风电进行有效调度和科学管理能够提高电网接纳风电的能力;能够较好地优化风电机组的出力并指导风电场的检修计划,提高风电场的风能利用率,降低运行成本;而且还能减少电力系用的运行成本和旋转备用,为风电场参与市场竞价,获得更多的经济效益和社会效益。本文主要就采用模糊神经网络的方法进行风速预测建模仿真,然后釆用基于小波神经网络的时间序列方法对兆瓦级风电机组的输出功率预测进行研究。
1、基于模糊神经网络的风速预测
1.1风的特性分析
风速是空气流动的结果。风速是指单位时间内风移动的距离。因为空气运动具有瑞流特性,所以导致了风速的不稳定性和随机变化。为了对风速进行研究,一般把实际风速分解成平均风速以及脉动风速为V = + V',v表示瞬时风速,指在空间某点某时刻t的实际风速;表示平均风速,指各个瞬时风速在某时刻点上的平均值;V'表示脉动风速,指某点在/时刻时,瞬时风速和平均风速的差值。
1.2风速和输出功率之间的关系
风力发电机组的输出功率主要受到风速变化的影响,风速和输出功率的关系如图1所示。风电功率输出模型表达式为P=。其中P为空气密度;S为风轮扫过的面积;为风能利用系数。
图1 风速和风电输出功率的关系曲线
1.3 基于模糊神经网络风速预测
T-S模糊神经网络分为输入层、模糊化层、模糊推理层和去模糊化层。输入层与输入向量相连接,它的节点数等于输入向量的维数;在模糊化层需要对输入值进行模糊化以便得到模糊隶属度值,在模糊推理层计算得到权值,在去模糊化层通过计算得到的网络输出。
在模糊神经网络风速预测中,它给常规BP神经网络赋予了模糊输入信号与模糊权值。因此,模糊神经网络和一般神经网络是相似的,本章中采用前向型模糊神经网络,该网络也是包括输入、模糊化、模糊推理以及去模糊化四层网络。其中输入层包括历史风速、风向、风电机组转子转速和桨距角等,模糊化层是对输入层的信息进行模糊预处理的网层,主要功能是规范化处理输入层的历史风速、风向、风电机组转子转速和桨距角等数据。模糊推理层是前向型的模糊神经网络的最重要的网层,用来模拟处理模糊推理的执行。去模糊化层用来将模糊状态的推理结论转化为确定的状态,系统可以根据这些确定的输出来执行命令。由上所述将各个样本数据变量作为输入,建立模糊神经网络预测模型结构如图2所示。
1 输入层 2模糊化层 3 模糊推理层 4去模糊化层
图2 模糊神经网络风速预测模型
2 基于小波神经网络的兆瓦级风电机组时序输出功率预测
2.1小波神经网络概述
在信号处理领域里,傅里叶变换是一种被广泛使用的分析手段,但是傅里叶变换在时域内是没有分辨能力的,它抛弃了时间信息,使得变换结果无法判断某个信号发生的时间。小波分析恰好可以弥补傅里叶变换的这种缺陷,因此小波分析在数学中迅速发展起来。该小波釆用一种长度有限、平均值为零的波形,它在时域具有紧支集或者似紧支集,且直流分量为零。
小波分析和神经网络的结合方式分为松散型和融合型两种。松散型小波神经网络是小波分析先对神经网络输入进行初步处理,以便输入神经网络的信息更易于被神经网络处理。融合型小波神经网络将小波和神经网络直接融合,神经元被小波元代替,输入层到隐含层的权值被代替,隐含层阈值被平移参数代替。融合型的小波神经网络因为同时拥有小波变换良好的时频局部化性质和BP神经网络的自学习能力,所以具有更好的容错能力。同时具有处理复杂性和时变性的系统的能力,能够大大简化训练网络,因此可以对环境比较复杂,影响因素不确定的风电场的风电机组的输出功率进行预测。
2.2时间序列预测方法分析
时间序列是按照时间顺序排列的一组数学序列。时间序列分析就是应用数理统计的方法对这组数字序列加以处理来预测未来事物的发展。时间序列分析不但承认事物发展的延续性,同时考虑事物发展的随机性和偶然性。时间序列不仅能够在数量上揭示某一现象的发展变化规律,从动态的角度刻画某一现象与其他现象之间内在的数量关系和变化规律来达到认识客观世界的目的;而且运用时间序列模型可以预测未来行为,修正甚至重新设计系统。
时间序列预测分析涉及到对事物依赖性的分析技巧,因此它能够根据系统有限长度。的运行记录数据建立包含动态依存关系的时间序列预测的数学模型。时间系列预测方法可以采用适当的模型描述历史数据随时间变化的规律,进而预测未来发展趋势。
2.3基于小波神经网络的时间序列输出功率预测
将风电机组的转子转速、桨距角和风电场的历史风速和风向作为历史样本时间序列带入模糊神经网络风速预测模型得到风速预测值,然后和温度、气压、空气相对湿度、风向风环境因素时间序列一起作为输入带入小波神经网络输出功率预测模型。则基于小波神经网络的兆瓦级风电机组时间序列输出功率预测结构图如图3所示。
图3 基于小波神经网络的兆瓦级风电机组时间序列输出功率预测结构图
其中小波神经网络时间序列预测结构如图3所示。它将预测得到的风速值以及环境因素中的温度、气压、空气相对湿度和风向的时间序列作为小波神经网络的输入参数,为小波神经网络预测输出,即输出功率预测值。
采用了小波神经网络的时间序列预测模型对风电机组的输出功率预测进行了研究分析,将样本的时间序列作为神经网络的输入层,将小波基函数作为神经网络的隐含层,并对风速样本进行了模型建立、数据处理、仿真实验和误差分析。经过试验仿真结果表明,输出功率预测值很好地跟踪了输出功率实际值,不仅可以加快收敛速度和改善局部收敛性,而且有利于神经网络收敛于全局最优解。
3、结束语
基于小波神经网络的输出功率预测中,将预测得到的风速值和风向、温度、气压等环境因素的时间序列作为输入确立了以BP神经网络拓扑结构为基础的小波神经网络,建立小波神经网络输出功率时间序列预测模型,结果表明小波神经网络具有很好的预测效果。
参考文献:
[1] 林卫星,文劲宇,艾小猛,程时杰,李伟仁. 风电功率波动特性的概率分布研究[J]. 中国电机工程学报. 2012(01).
[2] 齐放. 基于小波神经网络的风电功率预测[J]. 电气开关. 2011(04).
[3] 厉卫娜,苏小林. 基于小波-神经网络的短期风电功率预测研究[J]. 电力学报. 2011(06).
关键词:兆瓦级、风力发电、输出功率、预测
中图分类号:TM315
能源是人类生存活动的原动力,是经济发展的物质基础。伴随着经济的快速发展,安全、可靠的能源供应和高效、无污染的能源利用是实现经济持续稳步发展的关键措施。风能是太阳能的一种转化形式,具有清洁环保和可再生的优点,并且储量丰富,分布广泛。但是风的波动性和随机性对电网的稳定性造成巨大影响,甚至导致并网时输出功率对电网的稳定性产生很大冲击而影响电能质量。合理的输出功率预测能够有效地缓解电力系统调峰、调频压力,对风电进行有效调度和科学管理能够提高电网接纳风电的能力;能够较好地优化风电机组的出力并指导风电场的检修计划,提高风电场的风能利用率,降低运行成本;而且还能减少电力系用的运行成本和旋转备用,为风电场参与市场竞价,获得更多的经济效益和社会效益。本文主要就采用模糊神经网络的方法进行风速预测建模仿真,然后釆用基于小波神经网络的时间序列方法对兆瓦级风电机组的输出功率预测进行研究。
1、基于模糊神经网络的风速预测
1.1风的特性分析
风速是空气流动的结果。风速是指单位时间内风移动的距离。因为空气运动具有瑞流特性,所以导致了风速的不稳定性和随机变化。为了对风速进行研究,一般把实际风速分解成平均风速以及脉动风速为V = + V',v表示瞬时风速,指在空间某点某时刻t的实际风速;表示平均风速,指各个瞬时风速在某时刻点上的平均值;V'表示脉动风速,指某点在/时刻时,瞬时风速和平均风速的差值。
1.2风速和输出功率之间的关系
风力发电机组的输出功率主要受到风速变化的影响,风速和输出功率的关系如图1所示。风电功率输出模型表达式为P=。其中P为空气密度;S为风轮扫过的面积;为风能利用系数。
图1 风速和风电输出功率的关系曲线
1.3 基于模糊神经网络风速预测
T-S模糊神经网络分为输入层、模糊化层、模糊推理层和去模糊化层。输入层与输入向量相连接,它的节点数等于输入向量的维数;在模糊化层需要对输入值进行模糊化以便得到模糊隶属度值,在模糊推理层计算得到权值,在去模糊化层通过计算得到的网络输出。
在模糊神经网络风速预测中,它给常规BP神经网络赋予了模糊输入信号与模糊权值。因此,模糊神经网络和一般神经网络是相似的,本章中采用前向型模糊神经网络,该网络也是包括输入、模糊化、模糊推理以及去模糊化四层网络。其中输入层包括历史风速、风向、风电机组转子转速和桨距角等,模糊化层是对输入层的信息进行模糊预处理的网层,主要功能是规范化处理输入层的历史风速、风向、风电机组转子转速和桨距角等数据。模糊推理层是前向型的模糊神经网络的最重要的网层,用来模拟处理模糊推理的执行。去模糊化层用来将模糊状态的推理结论转化为确定的状态,系统可以根据这些确定的输出来执行命令。由上所述将各个样本数据变量作为输入,建立模糊神经网络预测模型结构如图2所示。
1 输入层 2模糊化层 3 模糊推理层 4去模糊化层
图2 模糊神经网络风速预测模型
2 基于小波神经网络的兆瓦级风电机组时序输出功率预测
2.1小波神经网络概述
在信号处理领域里,傅里叶变换是一种被广泛使用的分析手段,但是傅里叶变换在时域内是没有分辨能力的,它抛弃了时间信息,使得变换结果无法判断某个信号发生的时间。小波分析恰好可以弥补傅里叶变换的这种缺陷,因此小波分析在数学中迅速发展起来。该小波釆用一种长度有限、平均值为零的波形,它在时域具有紧支集或者似紧支集,且直流分量为零。
小波分析和神经网络的结合方式分为松散型和融合型两种。松散型小波神经网络是小波分析先对神经网络输入进行初步处理,以便输入神经网络的信息更易于被神经网络处理。融合型小波神经网络将小波和神经网络直接融合,神经元被小波元代替,输入层到隐含层的权值被代替,隐含层阈值被平移参数代替。融合型的小波神经网络因为同时拥有小波变换良好的时频局部化性质和BP神经网络的自学习能力,所以具有更好的容错能力。同时具有处理复杂性和时变性的系统的能力,能够大大简化训练网络,因此可以对环境比较复杂,影响因素不确定的风电场的风电机组的输出功率进行预测。
2.2时间序列预测方法分析
时间序列是按照时间顺序排列的一组数学序列。时间序列分析就是应用数理统计的方法对这组数字序列加以处理来预测未来事物的发展。时间序列分析不但承认事物发展的延续性,同时考虑事物发展的随机性和偶然性。时间序列不仅能够在数量上揭示某一现象的发展变化规律,从动态的角度刻画某一现象与其他现象之间内在的数量关系和变化规律来达到认识客观世界的目的;而且运用时间序列模型可以预测未来行为,修正甚至重新设计系统。
时间序列预测分析涉及到对事物依赖性的分析技巧,因此它能够根据系统有限长度。的运行记录数据建立包含动态依存关系的时间序列预测的数学模型。时间系列预测方法可以采用适当的模型描述历史数据随时间变化的规律,进而预测未来发展趋势。
2.3基于小波神经网络的时间序列输出功率预测
将风电机组的转子转速、桨距角和风电场的历史风速和风向作为历史样本时间序列带入模糊神经网络风速预测模型得到风速预测值,然后和温度、气压、空气相对湿度、风向风环境因素时间序列一起作为输入带入小波神经网络输出功率预测模型。则基于小波神经网络的兆瓦级风电机组时间序列输出功率预测结构图如图3所示。
图3 基于小波神经网络的兆瓦级风电机组时间序列输出功率预测结构图
其中小波神经网络时间序列预测结构如图3所示。它将预测得到的风速值以及环境因素中的温度、气压、空气相对湿度和风向的时间序列作为小波神经网络的输入参数,为小波神经网络预测输出,即输出功率预测值。
采用了小波神经网络的时间序列预测模型对风电机组的输出功率预测进行了研究分析,将样本的时间序列作为神经网络的输入层,将小波基函数作为神经网络的隐含层,并对风速样本进行了模型建立、数据处理、仿真实验和误差分析。经过试验仿真结果表明,输出功率预测值很好地跟踪了输出功率实际值,不仅可以加快收敛速度和改善局部收敛性,而且有利于神经网络收敛于全局最优解。
3、结束语
基于小波神经网络的输出功率预测中,将预测得到的风速值和风向、温度、气压等环境因素的时间序列作为输入确立了以BP神经网络拓扑结构为基础的小波神经网络,建立小波神经网络输出功率时间序列预测模型,结果表明小波神经网络具有很好的预测效果。
参考文献:
[1] 林卫星,文劲宇,艾小猛,程时杰,李伟仁. 风电功率波动特性的概率分布研究[J]. 中国电机工程学报. 2012(01).
[2] 齐放. 基于小波神经网络的风电功率预测[J]. 电气开关. 2011(04).
[3] 厉卫娜,苏小林. 基于小波-神经网络的短期风电功率预测研究[J]. 电力学报. 2011(06).