基于小波分析的风电系统负荷调峰
小波分析在风电功率预测中的应用研究
小波分析在风电功率预测中的应用研究随着全球能源需求的增加，风能作为一种清洁能源源迅速发展。
在风电产业中，风电功率预测是一项重要的任务。
通过预测风电功率，可以实现电网的优化调控，提高风电发电效率和经济效益。
在风电功率预测中，小波分析是一种有效的预测手段，本文将从小波分析的原理、应用及在风电功率预测中的应用等方面进行探讨。
一、小波分析的原理小波分析是一种数学分析方法，能够将信号分解为不同的频率成分。
在数学上，小波函数是一个非奇异、有限能量的、零平均的、可微且自相似的函数。
小波函数具有时频局部性，即它可以精确地描述一个信号在不同时间尺度和频率尺度上的变化特征。
小波分解是将信号分解成一系列小波基函数的线性组合。
通过对每个小波基函数的分析，可以得到信号的频域和时域信息。
二、小波分析的应用小波分析能够在多个领域应用，例如图像处理、声音处理、语音识别、生物医学等。
其中，小波变换在信号分析与处理中具有广泛的应用。
小波分析的应用过程中包括分解、重构和特征提取三个步骤。
（1）分解分解指的是将原始信号分解为一组小波基函数的线性组合。
这样每个小波基函数描述信号的不同频率和时间尺度分量。
因此，当信号中包含多个频率的分量时，小波分解会将信号分成两个部分——高频和低频成分。
高频成分表示快速变化的局部特征，低频成分描述的是整个信号的整体特征。
（2）重构重构是指根据小波基函数的系数和不同频率的成分，通过小波重构公式将分解后的信号恢复为原始信号。
小波重构公式可以将小波变换的结果解释为原始信号的线性组合。
（3）特征提取小波分析也应用于信号的特征提取。
小波分析能够将信号分解为多个频域成分，不仅可以提取整体特征，还能实现局部细节特征的提取。
三、小波分析在风电功率预测中的应用研究在风电功率预测中，小波分析能够充分利用风速、风向等多种气象数据，通过分解和重构信号来预测风电功率。
小波分析在风电功率预测中主要应用于风速预测和功率预测。
（1）风速预测风速是决定风电功率的一个重要因素。
基于小波—BP神经网络的短期风电功率预测方法
基于小波—BP神经网络的短期风电功率预测方法随着全球对可再生能源的需求增加，风力发电逐渐成为重要的能源补充来源。
然而，由于风速的不确定性和风电机组的复杂性，风力发电的波动性较大，这给电网运营和电力系统规划带来了很大的挑战。
因此，准确预测风电功率对于实现风力发电的可靠性和经济性至关重要。
近年来，人工智能和机器学习技术在能源预测中得到广泛应用。
其中，小波—BP神经网络模型在风电功率预测方面表现出了较好的性能。
本文将介绍，以提高风力发电的可预测性和可靠性。
首先，介绍小波变换的原理和应用。
小波变换是一种多尺度分析方法，可以将非平稳信号分解为不同频率的小波系数。
在风电功率预测中，通过对历史风速数据进行小波分解，可以提取出不同时间尺度的特征。
然后，讨论BP神经网络的原理和特点。
BP神经网络是一种经典的人工神经网络模型，具有强大的非线性拟合能力。
它可以通过训练数据自动学习输入和输出之间的关系，从而实现风电功率预测。
接下来，结合小波变换和BP神经网络，提出。
首先，将历史风速数据进行小波分解，提取出不同时间尺度的小波系数。
然后，将小波系数作为输入，风电功率作为输出，构建BP神经网络模型。
通过对模型进行训练和调优，可以得到较好的风电功率预测结果。
在实验中，我们收集了某风电场一年的风速和风电功率数据，并进行了模型验证。
实验结果表明，可以较准确地预测出未来一段时间内的风电功率。
与传统的统计方法相比，该方法具有更好的预测性能和稳定性。
最后，我们讨论了该方法的优缺点及进一步改进的方向。
该方法的优点是可以充分利用风速数据中的多尺度信息，提高预测的准确性。
然而，该方法的不足之处是对训练数据的依赖性较强，需要大量的历史数据进行模型训练。
未来可以进一步研究如何提高模型的泛化能力，减少对历史数据的依赖。
综上所述，在提高风力发电的可预测性和可靠性方面具有重要的意义。
随着人工智能和机器学习技术的不断发展，相信这一方法将在未来得到更广泛的应用。
基于小波神经网络法的短期风电功率预测方法研究
（） ２
本 文 神 经 网 络 的 基 本结 构 如 图 １所 示 。
贩
口
０
风
Ｂ Ｐ网 络 （ ａ ｋ ｐ ｏ ａ ａｉ ｅｗｏｋ 是 一 种 误 差 反 向传 Ｂ ｃ ｒｐ ｇ ｔ ｎ Ｎ ｔ ｒ） ｏ 播 神 经 网 络 ，包 括 一 个 输 入 层 、一 个 或 多 个 隐含 层 和一 个 输 出 层 ， 神 经 元 的 传 递 函 数 是 Ｓ型 函数 ， 含层 神 经 元 映 射 函数 常 其 隐
据 。 据 风 电 场 历 史 实 际 出力 数 据 ， 根 采用 人 工 神 经 网络 和 小 波神 经 网络 进 行 对 比学 习 ， 对 发 电 功 率进 行 预 测 研 究 。 并
１ ＢＰ神 经 网 络
输 出节 点 的输 出 ：
， 一 ）（ （ ∑ ０＝ｎ ） ｆ 『ｅ
Ａｂ ｔａ ｔ ｓｒ ｃ Ｂａ ｅ ｓ ｄ Ｏ ａ ｌｔ ｎ ｔ ｅ ｎ ｗ ｖｅｅ ａ ｄ ｈ ＢＰ ｅ ｒ ｌ ｎ ｕ ａ ｎｅｗｏ ｋ， ｍ ｅｈ ｏ ｓ ｏｒ－ｔ ｍ ｗｉ ｐｏ ｔ ｒ ａ ｔ ｏｄ ｆ ｈ ｔ ｅｒ ｎｄ ｗｅｒｆ ｒ ｃａ ｔｎ ｉ ｐ ｅ ｅｎｅｄ ｎ ｈｓ ｏ ｅ ｓｉｇ ｓ ｒ ｓ ｔ ｉ ｔ ｉ ｐａ —
ｐ ． ｅ ｏｒ ａ ｔｎ ｍ ｏ ｉ ｐｒ ｖｄｅ ｂ ｕ ｎ ｔ ｃ ａｒ ｔ ｉｔ ｓ ｆ ｅｒ Ｔｈ ｆ ｅｃ ｓ ｉｇ ｄｅｌ ｓ ｏ ｉ ｄ ｙ ｓｉｇ ｈｅ ｈ ａｃｅｒ ｉ ｏ ｗａ ｅｌ ｗｈｃ ｃ ｄｅ ｏｍ ｐｏ ｅ ｉ ｅ ｅ ｉ ｉｔ ａｎ ｓｃ ｖ ｅｔ ｉｈ ａｎ ｃ ｓ ｔ ｓ ｒ ｍ ｅｓ ｎ ｏ ｙ
为输出层 ， 只有 １个 输 出 即 风 电 场 发 电功 率 。理 论 上 ， ３层 网络
基于小波变换和数据挖掘的风电机在线故障诊断的开题报告
基于小波变换和数据挖掘的风电机在线故障诊断的开题报告一、选题背景风能作为清洁、可再生、无污染的绿色能源，已广泛应用于全球能源结构中。
随着风电机组的规模逐渐扩大和数量增加，大规模的风电场的建设和运行管理面临着更为复杂的挑战。
尤其是在风力发电机运行过程中，由于环境等因素的影响，风力发电机易受到各种故障的影响，其中一些故障对发电机组的安全运行和电网的稳定性产生严重影响。
因此，风电机在线故障诊断成为了研究热点和难点。
传统的故障诊断方法主要基于阈值和规则，存在缺失故障的缺陷。
而小波变换和数据挖掘技术能够从时间与频率两个维度进行全面有效的故障特征提取，有望提高风电机在线故障诊断的准确率和效率。
二、研究目的和意义本课题的主要目标是利用小波变换和数据挖掘技术，建立风电机在线故障诊断模型，并探究其应用价值。
具体包括以下几个方面：1. 基于小波变换提取风电机故障特征，获取故障信号的时间与频率信息，实现对风电机故障的有效检测。
2. 探究数据挖掘技术在风电机故障诊断中的应用，建立故障分类模型，实现对风电机故障类型的自动化识别。
3. 利用建立的模型对实际数据进行测试和验证，并与传统的故障诊断方法进行比较分析，验证该模型的效果和优越性。
通过该研究，将为提高风电机在线故障诊断的准确性和效率，进一步推进风电产业的发展和普及，具有重要的实际应用价值和社会意义。
三、研究内容和技术路线本课题的主要研究内容包括以下几个方面：1.风电机故障特征提取。
使用小波分析算法，分析风力发电机的振动信号，并提取能够反映故障特征的小波系数。
2.风电机故障识别建模。
利用数据挖掘技术，建立分类模型，进行风电机故障信号分析，并通过特征选择算法对故障分类模型进行优化。
3.模型测试与评价。
利用真实的风电机故障数据进行测试，对比不同方法的故障诊断结果进行分析，并验证所建模型的正确性和有效性。
具体的技术路线如下：1.数据采集：通过实验仪器采集风电机振动信号，建立信号数据库。
基于小波分析的海上风力发电场变流器故障诊断
基于小波分析的海上风力发电场变流器故障诊断海上风力发电场是一种利用海上风能发电的设施，它在海上安装风力涡轮机，通过转动的风力带动发电机发电。
作为海洋能源开发的重要方式之一，海上风力发电具有零污染、可再生、高效利用等优势。
然而，海上风力发电场的变流器故障问题一直以来困扰着工程师们。
变流器是将直流电转换为交流电并适应电网要求的核心设备之一，其稳定运行对风力发电场的发电效率和正常运行至关重要。
为了解决海上风力发电场变流器故障问题，近年来，基于小波分析的故障诊断方法被广泛应用。
小波分析是一种数学工具，可将时域信号转换为频域信号，对信号进行时频分析，从而更好地捕捉信号中的特征。
首先，基于小波分析的风力发电场变流器故障诊断方法利用小波展开将变流器电流信号分解为不同频率的小波系数。
通过对小波系数进行分析，可以提取故障特征，判断变流器是否存在故障。
常用的小波变换方法包括离散小波变换（DWT）和连续小波变换（CWT）。
DWT适用于离散信号的处理，而CWT适用于连续信号的处理。
其次，在进行小波分析之前，需要对原始信号进行预处理。
常见的预处理方法包括滤波、降噪和特征提取等。
滤波可以去除信号中的高频噪声，保留有用信号；降噪可以提高故障特征的提取效果；特征提取可以根据具体问题选取合适的特征参数。
基于小波分析的故障诊断方法还可以结合机器学习算法，实现自动化故障诊断。
通过对大量的故障样本进行训练，建立故障诊断模型，可以实现对未知故障的准确判断。
常用的机器学习算法包括支持向量机（SVM）、人工神经网络（ANN）和决策树等。
此外，针对不同类型的变流器故障，还可以使用专门的故障诊断方法。
例如对于开关故障，可以利用小波包分析方法，提取开关故障特征；对于电容故障，可以利用小波熵分析方法，提取电容故障特征。
根据不同的故障类型，选择合适的小波变换方法和故障特征提取方法，可以提高故障诊断的准确性和可靠性。
最后，基于小波分析的故障诊断方法还可以结合远程监测和大数据分析，实现对海上风力发电场变流器故障的远程实时监测和诊断。
基于小波去噪的电力系统日负荷分析
≤｜ 毒
ｌ ０ ＿劈 祷 手 甾
Ｔ Ａ Ｈ Ａ Ｅ ＯＺ Ｕ ＮＤ Ｇ
基于小波去噪的电力系统 日负荷分析
杨 耀 ， 魏 宾 李 晶晶 ， ， 高 飞
（． 北 电力大 学 ， １ 华 河北 保定 ０ １０ ；２西安供 电局 ， 西 西安 ７０ ３ ； ． 门峡 供 电公 司 ，河南 三 门峡 ７０ ０ ． 陕 １０２ ３三 ０ １０ ； ． 国电力科 学研 究 院 ， ７ ００ ５中 北京 １０９ ） ０ １２ ４２０ ； ． ７０ ０ ４华仿科 技有 限公 司 ， 北 保 定 河
摘
要 ： 绍 了小 波去噪的基本原理及方法 ， 介 简要说 明 了其消噪 的步骤。进一步说 明 了小波包 去噪的原理 和步
骤 ， 出了１ 并给 个给定含噪信号去噪 的实例。由于影响 日 负荷 因素的复杂性， 本文采用４ 个气象指数来 量化 温度 、
湿度和风速等气象因子对负荷 的综合影响。首先介 绍了小波去噪原理 ， 然后通过小波去噪消除负荷和气象数据 中的伪数据和噪声。结果表明， 去噪以后从关联性上看效果显著 ， 为最终进 行负荷预测工作提供指导依据。 关键词 ： 日负荷 ； 气象指数 ； 小波去噪 ； 伪数据；噪声
号多 包 含在 较 高频 率 段 中 ，从 而 可 以利 用 门 限 、 阈
分 解 系统 和量化处 理 系数 ， 进行小 波包 重构 。
上 述 步骤 中 ． 最关 键 的是 如 何选 取 阈值 和如 何 进 行 阈值 量化 。图 ２是利 用小波 包分 析对 １ 给定 个
值 等 形式 对 分 解所 得 的 小波 系 数进 行 处理 ， 后 对 然 信 号进 行 小波 重构 ， 即可达 到对信 号 消 噪的 目的 。 对 信 号 消 噪实 质上 是 抑 制信 号 中的无 用 部 分 ，
用小波分析来判定风力发电中电力电子的故障
用的主要形式 。 风力发电机组 （ 简称风电机组 ） 是将风能转化为电能的机械。 其发电机通常包括 （ 恒速 ） 同步发电机 、 恒速 ） （ 异步发电机 和变速 运行发电机三种类型。
同步 发 电 机 的 优 点 是 其励 磁 系统 可 以控 制
速 而 有效 的可视化 分析 及故障状 态 粗略 判断， 文章 引入 了一种用小波变换 来对数据 进行快 速分析诊 断故障的方 法。 过该方 法能够很 好的根据 实时数据 判断风机 电力 通
效率 。
《 电帆 技术》 ２ ０ 年 第 ５期 ・ ７・ ０８ ４
研究与交流
静Ｚ
２ 电力电子在 风电机组中的应用
Ａｂｓ ｒ ｔ ｔ ａｅ ：Ｗ ｉ ｈ ｅ ｅ ｏ ｍ ｅ ｔｏ ｔｌ ｉ ｓ ｔ ｈ ｔ ｔ ｅ ｄ ｖ ｌｐ ｈ ｎ ｆｕ ｉｉ ｅ ｏ ｔ ｅ ｔ ｗｉ ｄ ｅ ｅ ｇ ，ｍｏ ｅ ａ ｄ ｍｏ ｅ ｅ ｅ ｔ ｉ ｏ ｒｃ ｍｐｏ ｅ ｔ ｎ ｎ ｒｙ ｒ ｎ ｒ ｌｃ ｒｃ ｐ ｗｅ ｏ ｎ ｎｓ ａ ｄ ｄ ｖ ｃ ｓ ｈ ｖ ｅ ｎ ｕ ｅ ｎ ｗ ｉ ｄ ｔ ｂ ｎ ｅ ｅ ａ ｏ ｎ ｅ ｉ ｅ ａ ｅ ｂ ｅ ｓ ｄ ｉ ｎ ｕｒ ｉ ｅ ｇ ｎ ｒ ｔ ｒ ｓ ｓｅ ｗｈ ｃ ｒ ｅ ｎ ｔ ｅｏ ｅ ｅｄ ａ ｄ ｉ ｗａ ａ ｄ ｆ ｒ ｙ ｔ ｍ， ｉｈ ｗｏ ｋ ｄ ｉ ｈ ｐ ｎ ｆ ｌ ｎ ｓｈ ｒ ｏ ｉ ｔ ｔ ｅ ｏ ｅ ａ ｏ ｓｔ ｎ ｔ ｒｉ ｉ ． ｗｅ ｅ ， ａ ｇ ｕ ｈ ｐ ｒ ｔ ｒ ｏ ｍｏ ｉ ｎ ｓ ｅ Ｈｏ ｖ ｒ ａ ｌｒ ｅ ｎ ｍｂ ｒ ｏ ｔ ｅ
ｄ ｆ ｕ ｔｏ ｅ ｅ ｅ ｔｏ ｉ ｏ ｅ ａ ｌ ｆｔ ｌｃ ｒ ｎ ｃ ｃ ｍｐ ｎｅ ｔ ｎ ｅ ｉ ｅ ｎ ｔ ｅ ｈ ｏ ｎ ｓａ ｄ ｄ ｖ ｃ ｓ ｉ ｈ ｗｉ ｄ ｔ ｒ ｉ ｅ ｓ ｓ ｅ ｂ ａ ｓ ｏ ｖ ｌｔａ ａｙ ｉ ｎ ｔ ｅ ｎ ｕ ｂ ｎ ｙ ｔ ｍ ｙ ｍｅ ｎ ｆ ｗａ ｅｅ ｎ ｌ ｓ ｓｏ ｈ ｒ ａ ｍｅｄ ｔ ． ｅ ｌ ｉ ａ ａ ｔ Ｋｅ ｗｏｒ ：Ｗ ｉ ｄ ｐ ｗｅ Ｐｏ ｒｅ ｅ ｔ ｏ ｉ Ｆ ｕ ｔ ｙ ｄｓ ｎ ｏ ｒ ｗｅ ｌ ｃ ｒ ｎ ｃ ａｌ ａ ａｙ ｉ Ｗａ ｅｅ ｎ ｌ ｓｓ ｎ ｌ ｓｓ ｖ ｌｔ ａｙ ｉ ａ
基于经验模态分解与小波分析相结合的风电功率平滑控制
基于经验模态分解与小波分析相结合的风电功率平滑控制史林军;周佳佳;温荣超;吴峰【摘要】In order to smooth the fluctuating wind output, it is often optimized by energy storage devices. At the same time, it is especially important to determine the value of active wind power that is injected to power systems so that the capability of stored energy can be allocated reasonably. At present, the main ways to calculate the reference power of grid-connected power are low-pass filter and spectrum compensation methods which always have some drawbacks. In this paper, a method that combines empirical mode decomposition with wavelet analysis is proposed to get reference power of grid-connected active power, which can restore the original power. Then synthesizing some other situations such as load conditions of the battery, efficiency and so on, the minimum storage energy is determined. Compared the minimum capacity allocation by traditional low pass filter smooth method, the effectiveness of the proposed method can be verified.%为了缓解风电功率输出的波动性对系统的影响，常用储能装置平滑风电的输出。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第28卷第3期2011年6月现 代 电 力M odern Electric Pow er V o l 28 N o 3June 2011文章编号:1007 2322(2011)03 0066 04文献标识码:A中图分类号:T M 714基于小波分析的风电系统负荷调峰陈焕远,刘新东,佘彩绮(暨南大学电气信息学院,广东珠海 519070)Peak Load Regulation of Wind Power System Based on Wavelet AnalysisCH EN H uanyuan,LIU Xindong,SH E Caiqi(Co llege o f Electrical Informat ion Eng ineering ,Jinan U niversit y,Zhuhai 519070,China)摘 要:针对风电系统负荷调峰问题,以减少调峰机组的爬坡出力次数与能源消耗为目的,提出了一种基于小波分析的负荷调峰方法。
该方法采用近似对称光滑的紧支撑双正交小波db4(Daubechies 函数)作为小波基,通过多分辨分析的Mallat 算法对预测等效负荷进行2尺度分解,并将其中低频基础负荷分配给负荷调峰机组。
仿真算例将该方法与未含小波分析的负荷调峰方法进行了对比,比较结果证明了其调峰性能优于后者。
这表明该方法具有良好的调峰性能,能使调峰机组出力较为平缓,有效减轻对调峰机组的损耗和减少能源的消耗。
基金项目:国家自然科学基金(51007030);中央高校基本科研业务费专项资金(21611420)国家大学生创新性实验计划(101055937)关键词:风电系统;负荷调峰;预测等效负荷;小波分析Abstract:As to peak load regulation problem of w ind pow er system,a peak load regulation method based on w avelet a nalysis is proposed in this paper to reduce the climbing pow er output times of regulation units and energy consum ption.This method adopts the supported biorthogonal wavelet db4(Daubechies function )w ith approximate symmetry sm ooth compactly as the w avelet bases,and uses the multiresolution analysis Mallat algorithm to decompose the predicted equiva lent load to 2scale.The basic load of the predicted equiva lent load is distributed to the regulation unit.This method and another peak load regulation method w ithout wavelet a nalysis are contrasted in the simulation exam ple,and the comparative results prove that its peak load regulation per f ormance is better than that of the latter,which indicates that this method has a good peak load regulation perf orm ance,can make the pow er output of regulation units more quietly,and eff ectively reduces the losses of regulation unit and energy consumption.Key w ords:wind power system;peak load regulation;pre dicted equivalent load;w avelet analysis0 引 言随着新能源发电在全世界展开,风能发电凭借其比传统能源发电更加清洁环保、取之不尽用之不竭的特点,成为目前世界上首选的可再生能源发电模式。
然而,由于风功率具有间歇性和不确定性,随着风电接入电网规模的增加,其对电网影响已经由简单的电能质量问题,发展到对电网频率、负荷调峰、电网的安全与稳定均有影响,而风电系统负荷调峰问题尤为突出[1 2]。
风力发电最大的特点就是其出力取决于风速,具有很大的随机性和波动性。
大规模风电接入电网,增加了系统净需求(负荷需求与电网网损之和减去风电有功出力)的峰谷差,使得电网调峰调频任务日益加重,迫切需要研究出更加有效的负荷调峰方法。
目前国内学者对含风电的电网调峰能力评估与计算方面研究较多[3 5],也取得了一定的成果,但对风电系统负荷调峰方法的研究相对较少。
因此,如何制定有效的风电系统负荷调峰方法是本文研究的重点。
本文从减少调峰机组的爬坡出力次数与能源消耗角度出发,基于系统预测等效负荷,提出了一种基于小波分析的风电系统负荷调峰方法,将系统预测等效负荷的低频基础负荷提取出来,分配给负荷调峰机组。
最后,本文采用仿真算例对该负荷调峰方法进行验证。
1 负荷调峰1 1 等效负荷当电网中有风电功率注入的时候,系统有功功率平衡方程可以写为ni =1P G i +mi=1P W i -ki=1P L i -P loss =0(1)式中:ni =1P G i 为电网所有发电机的有功出力之和;mi=1P W i 为电网所接入的所有风电有功功率之和;k i=1P L i 为电网所有负荷功率之和;P loss 为电网所有有功功率损耗之和。
根据 中华人民共和国可再生能源法 ,电网公司要全额收购风电容量,这说明电力系统中一般不允许 弃风 。
然而,风电输出功率不具有可控性,风电机组正常条件下无法参与电网调度。
在此,将风电有功功率等效成一个频繁波动的 负 的负荷,引出以下等效负荷概念:P =ki =1PL i-mi =1PW i+Ploss(2)式中:P 为系统等效负荷,大小为负荷需求与电网网损之和减去风电有功出力。
风电的大规模接入,增加了系统净需求的峰谷差,即增大了等效负荷峰谷差。
图1为某地区电网预测风电出力曲线、网损曲线和负荷曲线。
由图中可以看出,风电接入后,系统预测等效负荷峰谷差明显增大。
图1 某地区电网预测风电出力、网损和负荷曲线1 2 负荷调峰机组风电功率波动的特性对负荷调峰机组的调节能力提出了更高的要求。
水力、抽水蓄能机组出力调整范围大且调节速度快,运行成本低,环境污染少。
但由于受资源条件的限制,我国风能资源多的地区,电源结构往往以燃煤发电为主,能够用于负荷调峰的水电机组十分有限,即负荷调峰机组主要为火电机组。
但火电机组爬坡出力调节范围和调节速度不及水电机组,跟踪负荷变化的速度受到一定的限制。
时刻要求调峰机组紧跟负荷变化而出力调节是不实际的,也是不可能的,而且负荷调峰机组要为后续秒级A GC 机组预留适当的调节容量,追求一步到位控制调峰机组跟随负荷变化,反而容易引起过调或控制出现振荡问题。
因此,本文提出一种基于小波分析的风电系统负荷调峰方法以提高调峰性能。
2 基于小波分析的负荷调峰前文已提及,大规模风电接入时,系统等效负荷存在较大波动,等效负荷峰谷差值较大。
根据超短时风电功率、网损、负荷预测,在线实时计算出预测等效负荷。
利用小波中多分辨分析的方法,适当选取小波基和分解尺度,将预测等效负荷分解成高频和低频负荷分量,并将其中的低频负荷分量(基础负荷)提取出来,分配给负荷调峰机组。
对预测等效负荷进行离散小波变换,设尺度函数为 (x ),对应的小波变换函数为 (x ),则相应的二进制离散形式为j ,k (x )=2-j/2 (2-j x -k) j,k (x )=2-j /2 (2-j x -k )j ,k Z(3)随着j 的变化, j ,k (x )、 j,k (x )将被拉伸或压缩,而随着k 的变化, j ,k (x )、 j,k (x )将以不同的分解尺度覆盖整个时间轴。
利用M allat 算法,预测等效负荷P(x )可以表示为P (x )=A N P (x )+Nj =1D jP (x )(4)式中:A N P (x )= k ZCN ,kj,k (x )(5)D j P (x )=k ZDj,kj,k (x )(6)而:C j ,k =+n =- g n -2k C j-1,n (7)D j ,k =+n=-h n -2k C j-1,n(8)式中:j =0,1,2, ,N 为分解层数,N 为最大分解层数;A N P (x )为最大分解层数上预测等效负荷的近似分量;D j P (x )为不同分解层数上预测等效负荷的细节分量,即预测等效负荷被分解为最大分解层数上的低频信号与不同分解层数上的高频信号之和;g k ,h k 分别为低通滤波系数和高通滤波67第3期陈焕远等:基于小波分析的风电系统负荷调峰系数。
相应的小波分解式可以表示为C j+1=GC j-1D j+1=H D j-1j=0,1,2, ,N-1(9) 根据Mallat算法将预测等效负荷P(x)分解之后,把基础负荷提取出来,分配给负荷调峰机组,在预测等效负荷高峰时增加机组的出力,在预测等效负荷低谷时降低机组出力,使预测等效负荷与机组出力基本维持平衡。
由于滤去了预测等效负荷的高频部分,系统内发电与用电不能完全平衡,其功率偏差可以由系统内秒级AGC机组或其他储能装置进行出力补偿。
采取这种负荷调峰方法的优点是调峰机组的输出较为平缓,爬坡出力次数与能源的消耗能够相应地减少,对带负荷的调峰机组的损耗也能够相应地减轻。
3 仿真算例及分析本文基于M atlab平台对某地区进行负荷调峰仿真。
考虑机组的爬坡性能和运行特性,频繁启停或出力调节对带负荷的调峰机组的损耗很大。
若调整出力间隔时间过长,调峰机组不能及时有效地跟踪调节风电功率波动引起的系统等效负荷的波动,会影响系统的安全稳定运行。
基于上述考虑,选定负荷调峰机组以15min为周期调整出力。
通过超短时风电功率、网损、负荷预测,在线实时计算出预测等效负荷。
本文利用灰色模型GM(1,1)[6]对该地区进行一日内的超短期风电功率、网损、系统负荷预测(数据采集间隔时间为15 min),在线实时计算出该地区的预测等效负荷。