论文部分内容阅读
随着近几年的迅猛发展,风电大规模接入电网。风能具有波动性、间歇性和不稳定性等特点,对电力系统安全稳定运行造成了巨大的影响。为解决大规模风电接入电网带来的问题,必须进行准确的风电功率预测。这样既能帮助电力系统提前制定相应的调度控制策略,还能保证电力系统安全稳定运行。因此,对风电功率预测方法进行研究具有深远的意义。本文选取国内某一个风电场相关实测数据作为研究对象,分别针对风场全年风速和风向的分布﹑风力发电功率变化特性进行了仔细的研究和分析,并以此为基础,深入研究提高风力发电功率预测精度的方法。并且,将云计算技术引入电力系统领域,探索智能电网环境下风电功率预测、资源优化配置发展的新方向。本文的主要研究内容如下:最先,以国内某风场为研究对象,针对风速、风向﹑风电场空间分布、风能及风电功率特性进行了系统的分析。结果表明:风速的概率分布呈现威布尔分布特征;风向呈现一定的季节特性;风电场风机呈现一定的延时空间分布相关性;风电功率具有规律性较强的输出特性和随机波动特性。然后,提出了一种改进的特征加权模糊聚类算法和基于遗传算法改进的Elman神经网络建模相结合的风电功率短期预测方法。由于风的各物理属性对风类型判别的重要程度不同,在传统FCM模糊聚类算法中引入加权因子,对历史日风类型数据样本进行综合聚类。再对各聚类结果建立动态GA-Elman神经网络模型,进行风电功率预测。使用国内某风场的实测数据进行仿真实验,证明本文方法的优越性和实用性。最后,提出一种基于云计算的风电功率预测资源调度平台架构。深入地阐述了云计算关键技术、基于云计算的风电功率预测资源管理和资源调度机制。采用Hadoop云计算技术,对风电功率预测的资源调度和计算服务进行虚拟云计算仿真,验证了以云计算为基础建立的风电功率预测资源调度平台的先进性。由此搭建的云平台架构将为智能电网环境下资源调度、风电负荷预测计算提供广阔的思路与有力的技术支持。