论文部分内容阅读
风能作为一种清洁的可再生能源,在世界范围内得到快速发展,但其大规模并网发电也给现有电力系统在规划、运行和控制等方面带来新的挑战。受风力发电随机性、间歇性以及不可控性的影响,将风电功率预测信息纳入电力系统发电调度决策成为解决风电波动的主要技术之一。提高风电功率预测精度不仅可以降低常规能源消耗和旋转备用的容量,同时还可有效降低风电并网冲击,提高电网对风电的接纳能力。但常规的风电功率预测大都给出的是确定性的点预测结果,其预测误差不可避免,且无法评估该数值可能出现的概率,也不能反映出风电功率的波动特性。作为点预测的延伸,区间预测通过给出满足给定置信水平下风电功率的可能波动范围,有助于决策者更好地评估未来可能存在的不确定性和电网运行的潜在风险。为此,本文从风电功率区间预测入手,根据风电功率预测精度随时间尺度的细化而逐级提高的特性,研究不同时间尺度下风电功率的预测区间评估方法,并结合鲁棒优化的思想,探讨含风电功率预测区间信息的电力系统发电调度模型。论文主要研究工作和成果归纳如下：(1)在日前电网运行时间尺度下,基于对风电功率预测误差概率分布的研究,提出一种基于云变换的风电功率预测区间评估方法。该方法中采用云变换提取预测误差分布的定性特征,使其转换为若干个云概念的叠加,并通过对上述云概念的概率密度期望函数进行积分,得到满足一定置信概率下风电功率的预测区间。相比传统预测误差概率分布模型,基于云变换的误差分布拟合方法具有更为灵活的形状和更高的精度,其结果为后续机组组合的鲁棒优化模型提供基础。(2)在日内电网运行时间尺度下,考虑到超短期预测的时间周期较短,通常可根据风电场出力的历史时间序列构建预测模型。本文基于极限学习机(Extreme learning machine, ELM)构建了一种风电功率简易区间预测模型。该模型拟利用ELM的二维输出数值直接得到预测区间的上下限,并基于对数据集区间带偏差信息的分析,给出了预测区间的性能评价指标和优化准则。相比传统的基于预测误差特性分析的预测区间评估方法,该模型结构简单、计算速度快,更能适应电网在线优化调度需求。(3)为进一步缩小预测区间平均带宽,提高区间预测的性能,基于对风电功率时间序列内在固有特性的分析,引入了集成经验模态分解和样本熵技术以获取风电功率稳态分量和随机分量序列；并对上述特征分量分别构建了点预测和区间预测模型,继而将得到的预测信息进行叠加,形成一种耦合点预测信息的超短期风电功率预测区间评估方法。仿真表明,该方法得到的预测区间在满足置信概率要求的同时,有效地缩小了其平均带宽值,可为电网在线调度计划制定提供更有效的决策信息。(4)考虑到上述区间预测模型的参数寻优和后续章节中电力系统发电调度模型的求解,将量子空间下个体搜索理论引入至细菌觅食机制,提出了一种混合量子细菌觅食优化算法,并给出基于动态缩进的趋化步长控制策略。该算法将细菌个体移至量子空间中描述,通过利用种群共享信息建立量子空间下细菌个体的概率密度函数,以完成各细菌个体位置的更新,避免了因直接复制导致的种群多样性丢失。对标准测试函数下的寻优性能进行对比分析,结果验证了该算法的优越性。(5)探讨了含风电功率区间预测信息的电力系统发电调度模型。根据风电功率预测精度随时间尺度的细化而逐级提高的特性,基于鲁棒优化思想,首先构建了基于日前区间预测信息的机组组合鲁棒优化模型；并在此基础上,基于风电功率时间序列不同特征分量的预测信息,综合考虑系统的经济性和安全性,提出一种日内分层滚动优化策略。仿真结果验证了该优化模型的可行性和有效性,其为含风电场的电网调度运行提供了一种新的思路。