發(fā)布時間：2020-05-09 15:35

【摘要】：風(fēng)電因無污染和可再生等特點近年來得到快速發(fā)展,風(fēng)電在促進電力系統(tǒng)節(jié)能減排的同時也因其不確定性讓電網(wǎng)安全運行面臨嚴重威脅。提高風(fēng)電的可控性對保障電力系統(tǒng)穩(wěn)定運行具有重要的實際意義。本文為了解決風(fēng)電出力的不確定性,從電力系統(tǒng)調(diào)度管理的現(xiàn)實情況出發(fā),以風(fēng)功率日前預(yù)測和含風(fēng)電電力系統(tǒng)聯(lián)合調(diào)度為研究對象,對預(yù)測方法、數(shù)學(xué)模型、求解策略和求解算法等關(guān)鍵技術(shù)進行了研究,主要工作如下:分析了風(fēng)電場出力的周期性特征,總結(jié)了風(fēng)電場出力的變化規(guī)律,針對每小時出力變化特點,分別以滾動多步方式和直接多步方式建立了兩種具有長短時記憶(LSTM)深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的風(fēng)功率日前預(yù)測模型,并對預(yù)測模型輸入變量個數(shù)與預(yù)測誤差的關(guān)系進行了分析。算例結(jié)果表明,所提模型具有較強的泛化性和穩(wěn)定性,預(yù)測精度比BP神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型和SVM模型有了明顯提升。針對單一預(yù)測模型誤差隨預(yù)測時長容易激增的情況,提出基于變分模態(tài)分解(VMD)與LSTM深度神經(jīng)網(wǎng)絡(luò)相組合的風(fēng)功率日前預(yù)測模型。該模型先利用VMD分解技術(shù)對風(fēng)功率序列進行特征分解,再結(jié)合深度神經(jīng)網(wǎng)絡(luò)對特征信息進行學(xué)習(xí)。針對VMD分解個數(shù)的選取問題,考慮到VMD殘差分量對神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)效果的影響,提出通過設(shè)置“殘差可接受范圍”確定分解個數(shù)的方法。算例結(jié)果表明,所提模型有效地控制了誤差增幅,提高了風(fēng)功率日前預(yù)測精度。針對風(fēng)功率日前預(yù)測誤差的不確定性,提出基于分量相關(guān)多元正態(tài)分布的誤差不確定性建模方法。研究了預(yù)測步長與預(yù)測誤差的函數(shù)關(guān)系,得出日前預(yù)測誤差具有擴散特性。針對日前預(yù)測誤差的分布情況,分別采用正態(tài)分布和拉普拉斯分布對一維誤差序列進行了擬合驗證,結(jié)果表明:正態(tài)分布的適用性強于拉普拉斯分布。分別采用分量獨立的多元正態(tài)分布和分量相關(guān)的多元正態(tài)分布對多維誤差序列進行了擬合驗證,結(jié)果表明:日前預(yù)測誤差序列之間存在相關(guān)性,采用分量相關(guān)的多元正態(tài)分布,能夠?qū)崿F(xiàn)日前預(yù)測誤差理論頻率與實際頻率的統(tǒng)一。針對電網(wǎng)調(diào)度中存在備用容量無效和備用容量冗余的情形,提出并建立了基于風(fēng)電場出力場景包絡(luò)區(qū)間的電力系統(tǒng)日前聯(lián)合調(diào)度模型。針對場景包絡(luò)區(qū)間范圍偏大導(dǎo)致的風(fēng)電備用容量冗余問題,采用場景縮減方法對場景包絡(luò)區(qū)間進行合理調(diào)整。針對日前聯(lián)合調(diào)度模型的求解,提出三階段方法:第一階段采用場景聚類方式求取風(fēng)電場出力包絡(luò)區(qū)間;第二階段采用動態(tài)規(guī)劃法和優(yōu)先級列表法求取水電和火電的機組啟停狀態(tài);第三階段運用風(fēng)驅(qū)動算法求取機組最優(yōu)出力。算例結(jié)果表明該模型在保障風(fēng)電不確定性可控的前提下,節(jié)省了系統(tǒng)調(diào)度運行成本。本文提出的風(fēng)功率日前預(yù)測模型以及以此為基礎(chǔ)的含風(fēng)電電力系統(tǒng)聯(lián)合調(diào)度模型,對推動和完善風(fēng)電并網(wǎng)運行具有積極意義。
【圖文】：

圖 1-1 2012-2017 年全球風(fēng)電累計裝機容量各地區(qū)占比ion of different regions wind power cumulative installed capacity in the w2017年初，，我國已核準未建設(shè)的風(fēng)電項目合計容量在 84GW。國家《2017-2020 年風(fēng)電新增建設(shè)規(guī)模方案》中提出 2017 年風(fēng)電
【學(xué)位授予單位】：西安理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP183;TM73

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測研究[J];電工技術(shù);2019年11期

3 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

4 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

5 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

6 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

7 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

8 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2656359