含有有功损耗的DFIG风电场优化调度策略

优化风电调度可以最大限度地提高风电在限电条件下的利用率。论文对风力发电机组的基本理论进行了研究,分析了风力发电机组的功率控制和输出特性,分析了双馈感应电机(DFIG)具有良好的功率解耦控制和无功输出能力。通过对风力发电出力特性的研究,提出了风力发电优化调度的策略。计算结果表明,风电场总的有功功率和无功功率输出满足调度中心的要求,并且总的有功损耗和无功损耗最小。     

大规模风电并网后电力系统有功功率调度模型

为了保证大规模风电并网后电力系统能够稳定运行,解决现有有功功率调度模型存在的调度效果不佳、调度成本高的问题,对电力系统有功功率调度模型进行了优化设计。选取大规模风电功率场景作为有功功率的调度范围,在该场景内模拟风电并网过程,分析并网后对电力系统产生的影响。根据功率时序特征的提取结果和电力系统潮流计算结果,预测电力系统的有功功率值。通过功率分配、调度量计算、约束条件设置等步骤,完成大规模风电并网后电力系统的有功功率调度。通过实例应用分析实验得出结论：与传统调度模型相比,应用设计调度模型得到的有功功率输出结果更接近期望值,且调度成本降低了2.7万元。     

基于深度学习的火电厂机组负荷调度自动控制方法

传统火电厂机组负荷调度自动控制方法无法准确预测多用户目标负荷，导致负荷调度误差较大，提出基于深度学习的火电厂机组负荷调度自动控制方法。通过火电厂的历史运行数据构建火电厂机组负荷分配模型，采用深度学习中的长短期记忆网络（Long Short-Term Memory,LSTM）神经网络进行火电机组负荷预测，建立机组系统能耗与负荷频率的相关模型，输出负荷调度结果，引入比例、积分（Proportion Integral,PI）控制器实现火电厂机组负荷调度自动控制。实验结果表明，文章设计方法能够准确预测火电厂机组运行负荷，在升负荷过程及降负荷过程中的调度负荷和调度自动控制准确性均较好。     

基于OS-ELM的风速修正及短期风电功率预测

随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。     

结合注意力机制与LSTM的短期风电功率预测模型

风力发电预测在电力系统的运行中发挥着重要作用。现有风电功率的短期预测模型因风速的复杂性和随机性,难以确定风速与风电功率的非线性映射关系,导致预测精度降低。提出一种结合变分模态分解、双阶段注意力机制、误差修正模块与深度学习算法的短期风电功率预测模型。通过对原始数据进行互信息特征选择,获得与风电功率相关性较强的特征,并对其进行信号预处理,利用变分模态分解对多维特征序列进行分解,得到具有一定中心频率的模态分量,以降低各个特征序列的复杂性和非平稳性。采用基于双阶段注意力机制与编解码架构的长短时记忆（LSTM）神经网络对模态分量进行训练与预测,得到初始预测误差。在此基础上,利用误差修正模块对初始预测误差进行变分模态分解和修正,从而提高模型的预测精度。实验结果表明,与自回归移动平均模型、标准编解码结构的LSTM模型相比,该预测模型的平均绝对误差最高可降低约87%,具有较优的预测性能。     

多时空尺度的风力发电预测方法综述

风能是目前世界上装机量较大的可再生能源之一，风力发电预测的精度直接影响电网的调度与安全运营.由于电网的调度策略存在多个时间点，并与涉及的地域范围有关，本文从多种时间和空间尺度的角度，综述风力发电预测方法.风力发电预测一般针对特定的空间范围和时间尺度，并在有限信息资源的条件下完成，故本文从上述三个方面综述已有研究成果.本文首先根据风力发电空间范围，从单台风力发电机、单一风电场以及风电场群三个空间尺度对研究成果进行梳理.其次在每个空间尺度上，根据风电预测是否使用气象信息将研究成果分类，并根据预测时间尺度将研究成果再次分类.最后在每个时间尺度上，根据风电预测存在的挑战，将已有的研究成果归类.通过上述梳理，本文希望可以帮助研究人员找到适合不同风电预测任务场景的方法.     

风电机组电动变桨距控制系统的优化研究

由于风速的随机性、不稳定性及气动效应的影响,使得风力发电机组变桨距控制系统具有非线性、参数时变性、强耦合等特点,难于实现高精度控制,导致风电机组输出电能质量较差。为了改善系统在恒功率输出运行区域内的动态性能,分析了风电机组变桨距控制系统的现状,建立了整个风电机组模型,提出了优化的变桨距控制策略,并设计了基于模糊控制的变桨距控制器。仿真结果表明,独立变桨距控制技术的控制效果比统一变桨距好,实现了风力机各叶片的优化独立变桨距控制,优化了风力发电系统在超过额定风速时的恒功率控制,具有抗干扰能力强、控制精度高的特点。     

基于多目标两阶段随机规划方法的电热联合系统调度

针对电热综合能源系统由于风电出力的随机性和波动性而难以有效调度的问题,提出了以成本最小化和弃风最小化为目标的一种多目标两阶段随机规划方法(multi-objective and two-stage stochastic programming,MOTSP),其中采用两阶段的随机规划模型对成本最小化部分进行建模分析,第一阶段以火电机组的启停成本为调度目标,第二阶段以机组运行成本为调度目标。最后采用多目标算法NSGA-Ⅱ中对解的筛选机制求解随机规划问题。该方法利用高斯分布描述负荷和风力发电预测误差来解决风电出力的不确定性,采用蒙特卡罗方法生成随机场景,并采用反向缩减技术对场景进行削减。仿真结果表明,所提的MOTSP算法比其他多种智能算法的解集更均匀广泛,收敛性更好,能够最大限度地减少弃风并使机组运营成本最小。     

基于GMDH网络的风电功率短期预测

风力发电是当今新能源领域最具有前景的发展方向,而准确有效地预测风电场的输出功率对于风电场的顺利并网运行具有重要的意义。从实际的风力发电场中获得了有关风速、风向以及实际输出功率等历史数据,建立了基于GMDH神经网络的风电短期功率预测模型并将其运用于实际的风电场功率短期预测当中。最后,通过将预测结果和实际输出功率比较,表明GMDH方法在风电功率预测中具有较高的预测精度。     

基于MATLAB-GUI的风电机组功率特性测试数据分析

风力发电作为清洁能源倍受青睐。随着技术和经验的不断积累、装机容量的不断增长,加之机组进/出质保期的考核要求,在役风电机组的功率特性验证以及优化需求逐渐显露,而风电机组功率特性测试成为了必要的验证手段。结合国内现行风电机组功率特性测试要求,设计基于MATLAB-GUI的风电机组功率特性测试及数据处理方案,为在役风电机组的功率特性验证及优化提供了必要的技术支持。