亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于不同優(yōu)化算法下風電預測精度對風水電協(xié)調影響研究

        2012-10-16 06:29:52馬成飛趙彩虹陳虎威
        電網(wǎng)與清潔能源 2012年7期
        關鍵詞:水電風電風速

        馬成飛,趙彩虹,陳虎威

        (南京師范大學電氣與自動化工程學院,江蘇南京210042)

        近年來,隨著風電并網(wǎng)規(guī)模的不斷擴大,風電大的波動性和不確定性給電網(wǎng)的調度和運行帶來了新的困難[1-2]。分析表明,水電是當前平抑風電波動性和不確定性較好的技術手段。關于水電和風電協(xié)調運行的研究在國內外正逐步受到關注[3-6],在現(xiàn)實電力系統(tǒng)中,絕大多數(shù)水電都是普通水電,因此,研究普通水電與風電的協(xié)調運行更有現(xiàn)實意義。文獻[7]對美國佛蒙特州風電系統(tǒng)與相鄰的加拿大魁北克水電系統(tǒng)協(xié)調運行的效益進行了研究,結果表明,在最有利的條件下,風能的價值可以提高22%。文獻[8]簡要介紹了在美國太平洋西北部地區(qū)、加拿大魁北克水電系統(tǒng)和北歐電力庫中風電和水電協(xié)調運行的評估結果,指出風電和水電具有明顯的合作優(yōu)勢。本文分別研究了持續(xù)法、ARIMA方法和改進BP神經網(wǎng)絡3種不同的風電預測模型。并且,基于上述3種不同的風電預測模型,建立了風-水發(fā)電聯(lián)合協(xié)調運行的模型,通過采用遺傳粒子群和混合粒子群2種不同的優(yōu)化算法來研究風電預測精度對風-水電協(xié)調的影響。

        1 風電預測模型的研究

        1.1 持續(xù)預測法

        這是用于風速預測的最簡單且最傳統(tǒng)的方法,其表達式為:

        式中,vf表示預測值;t表示當前時刻;T表示預測周期;p表示模型的階數(shù),即預測值vf(t+T)等于最近p個歷史值的滑動平均值。通常情況下,只利用最近的一個歷史值進行預測,也就是簡單地把最近一點的風速觀測值作為下一點的預測值[9]。

        1.2 ARIMA預測模型

        ARIMA建模步驟如下:

        1)計算觀測序列{xt,t=1,2,…,N}的樣本相關系數(shù)和樣本偏相關系數(shù),檢驗序列是否為平穩(wěn)非白噪聲序列。如果序列是白噪聲序列,則說明建模結束;如果序列為非平穩(wěn)序列,則要采用非平穩(wěn)時間序列的建模方法;如果序列為平穩(wěn)序列,則需對序列進行零均值化。

        2)對零均值平穩(wěn)序列進行模式識別,判斷序列{xt}是屬于AR模型,還是屬于MA模型或ARMA模型。

        3)模型識別后,框定所屬模型的最高階數(shù);然后在已識別的類型中,從低階到高階對模型進行擬合及檢驗。如果{xt}屬于ARMA模型,則采用ARMA(n,n-1),并從n=2到高階對模型逐個進行擬合與檢驗。

        4)利用定階方法對不同的模型進行比較,以確定最適宜的模型。

        根據(jù)以上4個步驟,本文最終確定預測模型為ARIMA(8,2,1)即:

        之后依據(jù)此模型對下一時刻作風速預測。

        1.3 改進的BP神經網(wǎng)絡預測模型

        BP神經網(wǎng)絡是人工神經網(wǎng)絡中常用的一種,該網(wǎng)絡是一種單向傳播的多層前向網(wǎng)絡,其結構如圖1所示[12]。傳統(tǒng)的BP算法存在訓練次數(shù)多使得學習效率低,收斂速度慢等缺點。為此本文采用增加動量項的BP算法。傳統(tǒng)BP算法在調整權值時,只按t時刻誤差的梯度降方向調整,而沒有考慮t時刻以前的梯度方向,從而常使訓練過程發(fā)生震蕩,收斂緩慢,為了提高網(wǎng)絡的訓練速度,可在權值調整公式中增加一動量項

        式中,α 稱為動量系數(shù),一般有 α∈(0,1)。

        根據(jù)ARIMA模型得知,t時刻的風速只與它前8個時段的風速密切相關。所以選取輸入層節(jié)點數(shù)為8,隱層節(jié)點數(shù)為17,網(wǎng)絡的輸出為下一時刻風速的預測值,則輸出層節(jié)點數(shù)為1,從而風速預測的BP網(wǎng)絡結構如圖2所示。

        When to these recollections was added the development of wickham’scharacter...[3]

        圖1 BP網(wǎng)絡結圖Fig.1 BP network structure

        圖2 風速預測的BP網(wǎng)絡結構圖Fig.2 BP network structure of wind speed prediction

        在此預測模型中,隱層采用tan sig轉移函數(shù),輸出層采用pureline轉移函數(shù)。

        1.4 模型求解及結果

        以我國朱日和風電場風速記錄數(shù)據(jù)為基礎[13],根據(jù)上述建立的3種不同的風速預測模型,預測未來1 h內的風速,然后根據(jù)式(4),分別由持續(xù)法,ARIMA及BP方法預測模型確定風電功率。

        本文取單機容量1.65 MW的V82-1.65風力發(fā)電機組50臺,總裝機容量82.5 MW,其中vcut-in為3 m/s,vcut-out為 25 m/s,vr為 14 m/s。

        式中,v為風機輪轂高度處的風速;vcut-in為切入風速;vcut-out為切出風速;vr為額定風速;Pr為風機額定輸出功率。

        在相同條件下,通過實例仿真比較得出,改進BP神經網(wǎng)絡模型的預測精度為15.41%,ARIMA模型的預測精度為23.59%,持續(xù)法模型的預測精度為39.23%。

        2 風電-水電優(yōu)化模型

        2.1 數(shù)學模型

        考慮到風電不能儲存,在建立風-水電系統(tǒng)優(yōu)化聯(lián)合運行模型時,決策變量只能取與水電有關的變量,即目標函數(shù)中只有與水電有關的變量。在風-水電優(yōu)化運行數(shù)學模型中,風力發(fā)電的數(shù)據(jù)出現(xiàn)在約束條件中,本文建立的風-水電系統(tǒng)優(yōu)化運行模型可表述為:由風-水電共同滿足日負荷需求,且首先考慮風電輸出,不足部分由水電補充,根據(jù)上文得到的3種不同風電預測模型下的數(shù)據(jù),來分析風電預測精度對風-水電協(xié)調運行的影響程度。其數(shù)學表達式為:

        2.2 模型求解及結果

        最終,通過引入偏差率的方法將等式約束轉化成無約束求解,其目標函數(shù)轉化成:

        式中,α為懲罰因子,本文取α=3 600。

        首先采用遺傳粒子群算法混合求解[14],其基本思路如下:采用離散粒子群中的0、1編碼描述機組的運行狀態(tài),即0表示“停機”狀態(tài),1表示“開機”狀態(tài);機組的有功出力用遺傳算法來求解,其步驟:創(chuàng)建初始種群、計算初始種群個體的目標函數(shù)值即式(9)的值,然后通過選擇、重組、變異算子操作形成新的子代種群,接著再計算子代種群的目標值。最后通過離散粒子群算法和遺傳算法并行求解。

        其次采用混合粒子群聯(lián)合求解,其基本思路如下:類似于上述方法,采用0、1編碼描述機組的運行狀態(tài),即0表示“停機”狀態(tài),1表示“開機”狀態(tài);根據(jù)機組的開/停計劃的分配,假設停機的機組負荷為0,負荷分配應在所有運行中進行,采用粒子群實數(shù)編碼。例如:t時刻下的負荷為pt-pwt,本文考慮6臺機組,假設對應這6臺機組離散粒子群0、1編碼為{0,1,1,1,0,1},則對應粒子群實數(shù)編碼為{0,,表示 1,5 機組狀態(tài)為“停機”,機組

        根據(jù)上述選取6臺機組,其每臺機組的參數(shù)如表1所示[15],系統(tǒng)日負荷如表2所示。

        表1 機組參數(shù)Tab.1 Unit Parameters

        表2 日負荷數(shù)據(jù)Tab.2 Daily load data

        把上述3種不同風電預測模型得到的各時段功率代入到風-水電聯(lián)合優(yōu)化模型中,運用2種不同的優(yōu)化算法中得到1 d內的水電站的耗水量,其結果分別如表3和表4所示。

        由表3和4知,用遺傳粒子群混合優(yōu)化和混合粒子群優(yōu)化得到的耗水量分別為7 991.50 m3和8 197.74 m3,而實際的耗水量為 8 200.00 m3,說明后者優(yōu)化得到的值與實際值的偏差較小。同時比較在2種不同優(yōu)化算法下,3種不同的預測模型下的耗水量與實際值的誤差,前者分別為6.51%、1.37%、0.84%,而后者分別為5.30%、1.21%、0.63%。

        表3 遺傳粒子群混合優(yōu)化的耗水量Tab.3 Water consumption of PSO-GA

        3 結語

        本文對不同風電預測模型下的風-水電聯(lián)合運行進行了研究,建立了相應的數(shù)學模型,運用2種不同的算法進行求解。通過仿真實例的結果表明:第一,在下一時刻風電未知的情況下,模型求解得到的耗水量與風電預測模型密切相關,良好的風電預測模型能使水電站出力與實際值偏差較小,從而達到更好的經濟效益;第二,比較利用2種不同算法對模型的求解,發(fā)現(xiàn)用混合粒子群求解得到的結果要比遺傳粒子群更好,其更能優(yōu)化水電站的出力。因此更好的預測模型和優(yōu)化算法對水電站的經濟調度顯得尤為重要。

        表4 混合粒子群優(yōu)化的耗水量Tab.4 Water consumption of HPSO

        [1] 王穎,魏云軍.風電場風速及風功率預測方法研究綜述[J].陜西電力,2011,39(11):18-21.WANG Ying,WEI Yun-jun.Review on forecasting model of wind speed and wind power[J].Shaanxi Electric Power,2011,39(11):18-21(in Chinese).

        [2] 呂俊昌,楊小東,沈又幸.德國風電發(fā)展策略研究及對我國的借鑒[J].陜西電力,2007,35(11):40-43.L譈 Jun-chang, YANG Xiao-dong, SHEN You-xing.Wind power development strategies of German and its references to China[J].Shaanxi Electric Power,2007,35(11):40-43(in Chinese).

        [3]CASTRONUOVO E D,LOPES J A.On the optimization of the daily operation of wind-hydro power plant[J].IEEE Trans.On Power System,2004,19(3):1599-1606.

        [4] HEDMAN K W,SHEBLE G B.Comparing hedging methods for wind power:using pumped storage hydro units vs.options purchasing[C].The 9th International Conference on Probabilistic Methods Applied to Power System,2006:1-6.

        [5] JAVIER Garcia-Gonzalez.Stochastic joint optimization of wind generation and pump-storage units in an electricity market[J].IEEE Trans.On Power System,2008,23(2):460-468.

        [6] TUOHY A,O’Mally M.Impact of pumped storage on power systems with increasing wind penetration[C].IEEE Power&Energy Society General Meeting,2009:1-8.

        [7] BROOK D,KEY T,F(xiàn)ELTON L.Increasing the value of wind generation through integration with hydroelectric generation[C].IEEE Power Engineering Society General Meeting,2005.

        [8]ANGARITA J M,USAOLA J G.Combining hydrogeneration and wind energy bidding and operation on electricity spot markets[J].Electric Power Systems Research,2007,77:393-400.

        [9] 張新房,徐大平,呂躍剛,等.風力發(fā)電技術的發(fā)展及若干問題[J].現(xiàn)代電力,2003,20(5):29-34.ZHANG Xin-fang,XU Da-ping,L譈 Yue-gang,et al.Technical development and problems of wind turbines[J].Modern Electric Power,2003,20(5):29-34(in Chinese).

        [10]張作鵬,劉崇新,逮俊杰,等.混沌時間序列預測在短期電力負荷預測中的應用[J].陜西電力,2007,35(1):24-26.ZHANG Zuo-peng,LIU Chong-xin,LU Jun-jie,et al.Application of chaotic time series forecast in short-term power load forecast[J].Shaanxi Electric Power,2007,35(1):24-26(in Chinese).

        [11]周培毅,張新燕.基于時間序列與支持向量機的風電場風速預測研究[J].陜西電力,2009,37(12):1-4.ZHOU Pei-yi,ZHANG Xin-yan.Study on wind speed forecasting of wind farm based on time series and support vector machine[J].Shaanxi Electric Power,2009,37(12):1-4(in Chinese).

        [12]陶玉飛,李偉宏,楊喜峰.風電場風速預測模型研究[J].電網(wǎng)與清潔能源,2009,25(3):53-56.TAO Yu-fei,LI Wei-hong,YANG Xi-feng.Wind speed forecast model for wind farms[J].Power System and Clean Energy,2009,25(3):53-56(in Chinese).

        [13]肖洋.風電場風速和發(fā)電功率預測研究[D].吉林:東北電力大學碩士學位論文,2005.XIAO Yang.Wind speed and generated power forecasting in wind farm[D].Jilin:Northeast Dianli University Master Degree Thesis,2005(in Chinese).

        [14]馬玲,袁龍,張澤.基于遺傳算法的電網(wǎng)優(yōu)化規(guī)劃[J].陜西電力,2008,36(11):56-60.MA Ling,YUAN Long,ZHANG Ze.Power grid optimal planning based on genetic algorithm[J].Shaanxi Electric Power,2008,36(11):56-60(in Chinese).

        [15]楊俊杰,周建中,劉大鵬.電力系統(tǒng)日發(fā)電計劃的啟發(fā)式遺傳算法[J].水力發(fā)電,2004,30(1):7-11.YANG Jun-jie, ZHOU Jian-zhong, LIU Da-peng.A heuristic genetic algorithm for daily generation scheduling in power system[J].Water Power,2004,30(1):7-11 (in Chinese).

        猜你喜歡
        水電風電風速
        基于Kmeans-VMD-LSTM的短期風速預測
        基于最優(yōu)TS評分和頻率匹配的江蘇近海風速訂正
        海洋通報(2020年5期)2021-01-14 09:26:54
        海上風電躍進隱憂
        能源(2018年6期)2018-08-01 03:42:00
        分散式風電破“局”
        能源(2018年6期)2018-08-01 03:41:56
        央企剝離水電資產背后
        能源(2017年7期)2018-01-19 05:05:02
        水電:全力消納富余水電 更重生態(tài)環(huán)保
        能源(2018年7期)2018-01-15 22:51:08
        風電:棄風限電明顯改善 海上風電如火如荼
        能源(2018年8期)2018-01-15 19:18:24
        基于GARCH的短時風速預測方法
        重齒風電
        風能(2016年12期)2016-02-25 08:46:38
        長江水電之歌
        久久国产在线精品观看| 欧美一区二区午夜福利在线yw| 欧美亚洲尤物久久综合精品| 美女射精视频在线观看| 水蜜桃在线观看一区二区| 99热这里有精品| 一本久久综合亚洲鲁鲁五月天| 性色av无码久久一区二区三区| 无码 制服 丝袜 国产 另类 | 亚洲暴爽av人人爽日日碰| 日韩免费高清视频网站| 亚洲精品中文字幕乱码无线| 久久久国产精品va麻豆| 精品国产av 无码一区二区三区| 禁止免费无码网站| 日本高清一区二区不卡| 亚洲av无码无限在线观看| 97人妻熟女成人免费视频| 免费人人av看| 性色av色香蕉一区二区蜜桃| 人与动牲交av免费| 亚洲黄色一级毛片| 大岛优香中文av在线字幕| 51国产偷自视频区视频| 亚洲日韩欧洲无码av夜夜摸| 免费一级欧美大片久久网| 日本一区二区三区高清视| 午夜精品射精入后重之免费观看 | 亚洲熟妇av乱码在线观看| 人妻丰满少妇一二三区| 日韩一区在线精品视频| 熟女人妇交换俱乐部| 国产视频网站一区二区三区| 国产精品美女主播一区二区| 精品精品国产自在97香蕉| 精品国产三级a在线观看| 亚洲一区极品美女写真在线看| 女女同恋一区二区在线观看| 国产在线一区二区三区av| 高清国产美女av一区二区| 精品中文字幕在线不卡|