基于概率密度拟合的风电功率波动特性研究

本文分别使用了正态分布、t location scale分布和logistic分布对风功率波动的概率密度进行拟合,并且通过t location scale分布分析了风电机组及风电场的概率数值特征。建立了基于欧式空间的波动信息丢失度量模型,分析了功率波动的平稳性和不同时间尺度下风功率波动信息的丢失率。通过数据分析,得出了随着时间尺度的增大,风电功率波动的相对可变性呈现上升的趋势,风电功率波动的时空分布具有一定的趋势性的结论。

数据提取方法对风电功率波动特性的影响分析

基于实测风电数据的风电功率波动特性分析能提高电网调度等部门对风力发电电源特性的认识,缓解风电并网给系统带来的不利影响。由于风电数据常常涉及到不同数据采集方法,因此有必要分析风电数据采集方法对风电功率波动特性分析的影响。本文根据东北某风电场的实测功率数据,通过间隔取点法和间隔平均值法获得不同功率数据序列进行风电功率波动特性分析。算例分析表明,不同的数据采集方法会对风电功率波动特性分析产生影响,且间隔取点法下的风电功率数据适用于风电功率预测,间隔平均值法下的风电功率数据适用于风电功率波动的概率密度特性分析。

风电功率波动的时空分布特性

风电功率的波动特性是其对接入电网安全稳定运行产生影响的根本原因。由于缺乏实测数据，量化评估风电波动的影响程度一直难以解决。我国在建巨型风电基地（1～20GW）所覆盖的地理空间更广、机组类型及台数更多，对其输出功率波动特性的量化评估是保证接入电网安全稳定运行的基础。基于中国东北某省级电网GW级风电场群实测功率数据，定量分析了风电功率波动在不同时间、空间尺度上的分布特性。分析结果表明，风电功率波动的时空分布具有一定的趋势性，且随着风电场群集聚规模的增大，风电功率的波动特性呈现较为明显的平缓效应。

基于神经网络的风电功率预测

根据风电功率的波动特性,提出一种基于BP神经网络模型的预测方法.利用某风电场的实测数据,首先采用不同的分布拟合风电功率波动的阶跃变化和平稳系数的概率密度函数,发现采用t location-scale(tls)分布拟合效果最佳;其次利用tls分布的位置参数、尺度参数、形状参数和变异系数,对不同时间间隔的风电功率波动的阶跃变化和平稳系数进行分析,发现最佳预测时间间隔为10 min;最后通过神经网络预测检验,得出采用10 min间隔进行预测效果最好,此时的平均绝对误差为243 668,平均绝对百分误差为65.43%,标准误差为19 694.