風電功率波動特征分析 摘要 隨著能源和環境問題的日益突出，提高風電發電效率已成為重要課題。 本文致力于研究風電功率波動的時空分布特征并預測風電場的總功率。 對于問題1和問題2，本文首先選擇5臺風力發電機，然后估計數據之間的差異。 在分析風電波動時間特征的基礎上，改進了風電波動概率分布模型，得到了不同時間間隔的風電波動情況。 其次，根據電力波動情況繪制概率分布圖，并利用擬合工具箱對不同的概率密度函數進行擬合，最終得到最能描述風電電力波動的概率分布——t尺度分布，并進行估計密度函數參數值并檢查它們。 針對問題三和問題四，在對風電波動特性信息損失研究的基礎上，引入一致性、互補性和平穩性三個指標來描述損失的風電波動信息。 首先，繪制了兩個時間區間的概率分布擬合圖，并對其進行了主觀比較分析； 然后，通過估算5臺風電機組的相應指標值，得出結論：在研究電力波動特性時，選取的時間間隔過大，會導致功率變化較快的部分波動信息丟失。 。 針對風電總量預測問題，構建了基于ARIMA的風電總量時間序列預測模型。 分別選取間隔5分鐘和15分鐘的總功率樣本數據，利用二階差分對樣本進行穩定性處理，然后利用時間序列的ARIMA模型對未來進行預測。 對于問題六和問題七，基于上述問題中的研究方法，單獨分析臺風功率和風場總功率的波動概率分布，從而分析時間序列上的差異。iTE物理好資源網(原物理ok網)

然后，通過研究密度函數參數來剖析波動率限制。 通過對資料提供的數據進行綜合分析，給出了克服風浪對電網運行不利影響的合理方法。 關鍵詞：概率分布模型擬合指數-規模分布ARIMA模型1.問題陳述隨著能源和環境問題的日益突出，以化石能源為主的能源發展模式必須從根本上改變。 近年來，可再生能源特別是生物質能的發展正處于快速發展階段。 我國風電裝機近年來呈現近倍增長的發展趨勢。 截至2012年底，我國風電裝機容量已突破7000萬千瓦，位居世界第一。 預計2020年全省風電裝機容量將突破2億千瓦。風電不消耗任何化石燃料，而且風電來自大氣運動，因此生物質能源可以說是一種清潔的可再生能源能量源。 而且，風力發電機產生的功率主要與風速有關。 由于風的不確定性和間歇性以及風電場各機組之間尾流的影響，風力發電機無法像常規發電機那樣根據電能的需求來確定發電量。 大型風電基地一般需要并網，實現風電的輸送和消納。 風電的隨機波動被認為是對電網產生不利影響的主要原因。 研究風電的波動特性，無論是提高風電功率預測的準確性，還是克服風電接入對電網的不利影響都具有重要意義。iTE物理好資源網(原物理ok網)

風電場一般有數十或數百臺臺風電機。 一個小型風電基地由數十個甚至數百個風電場組成。 因此，風電功率波動具有較強的時空差異。 附錄給出了某風電場20臺1.5MW風機30天的風電數據。 現通過物理建模完成以下任務： 1． 選擇一個風電機組，在30天內，分析該機組分布的優缺點，以每天為一個時間窗口，利用確定的最佳概率分布，估算出各風電機組功率的概率分布參數30個時間段并進行檢驗，比較不同單位、不同時間的風電波動概率分布以及與30天總體分布的關系，并進行分析。 2、從上述5臺機器的風電數據中提取間隔1分鐘的數據序列P。 對于這5個序列，做問題1a)的分析。 3、結合問題1），對損失的風電波動信息進行分析、測量和推斷。 4. 假設現場20臺臺風電機的總功率PΣ(t)，嘗試估計時間間隔為1分鐘、1分鐘和15分鐘的總功率序列PΣ)，并分析其波動概率分布的數值特征。 如果用 ) 來表示全場的風電波動，則分析損失的信息量并做出推論。 5、分別采用風電場以小時為單位的總功率（每15分鐘一個點）時，設計合適的預測模型（可以將合適時段的數據作為歷史數據建模，后續數據可以使用）作為實際風電功率來檢驗預測偏差），并給出了不超過一天的滾動預測結果，對兩種方法的預測偏差進行了分析比較。iTE物理好資源網(原物理ok網)

6、分析單臺風電機功率時間序列的主要差異）； 分析上述得到的概率分布的數值特征在分析時間序列波動特征時的作用和局限性。 7. 舉例說明風電功率波動的特點并進行分析。 2、問題分析生物質能的間歇性決定了風電的波動特性，而由于風的間歇性，加上電場腦電機組尾流的影響，導致風電的波動變化較大。 由于附件中數據的復雜性和多樣性，本文首先對數據進行預處理，提取大樣本中具有代表性、有效的信息。 2.1 數據處理與分析觀察到的數據，由于數據的不完整性，我們首先想到的就是對數據進行標準化，補充缺失的數據。 逐單元處理對波動幅度進行歸一化，有利于波動形狀的研究。 并對數據進行補充和簡化后，繪制一些風電功率隨時間變化的圖像。 通過對圖的觀察發現，圖不具有波動性，即使圖在一定時間內大致呈現一定的概率分布，也不能很好地研究風電的波動概率分布。 最后，本文估計相鄰原稿之間的差異來反映功率的波動。 并對數據進行分組，提取有效數據，簡化數據量。 2.2 不同時間間隔風電波動的概率分布分析 為了探究風電波動的概率分布，本文首先選擇次數變化規律來研究風電波動。iTE物理好資源網(原物理ok網)

由于問題中的數據信息非常大，所以每10個數據進行分組，并選取每組的中值來代表該時段的風電功率。 然后研究提取的風電頻率，利用畫圖，利用擬合工具箱，利用不同的概率密度函數進行擬合，估計擬合指數進行檢驗，選擇最合適的風電概率分布。 思路流程圖如下： 開始數據差分處理并估計擬合指數 多個概率分布進行擬合并估計概率分布圖 提取中間值 簡化數據分析和比較 繪制推理測試 選擇最佳分布數據處理 開始數據差分過程并估計多個概率分布的擬合指數。 擬合并估計概率分布圖以提取中間值。 簡化數據分析和比較，以推斷和測試以選擇最佳分布。 數據處理 當使用每日時間窗口時，選擇最佳概率分布。 研究風電功率波動情況，擬合圖紙并估算其參數試驗。 為了探究不同機組風電波動的概率分布關系，繪制了所選15號風機和15號風機第三天的數據，并繪制了最佳概率分布擬合圖，并通過比較參數來對比圖表來說明問題。 當提取間隔為1分鐘的數據探索風電波動概率分布PΣ)時，方法同問題1。2.3不同間隔的損耗波動信息分析)，在搜索損耗風電波動信息時，采用問題1的方法擬合概率分布曲線，并對曲線進行主觀分析和比較。iTE物理好資源網(原物理ok網)

為了描述兩個信號變化之間的關系，本文引用一致性、互補性和平穩性指標來探討兩種提取數據的方法過程中丟失的波動信息進行研究。 思路流程圖如下： 2.4 風電功率預測分析 分別以5min和15min的時間間隔提取數據，預測風電場下一小時的功率，對數據進行觀察和分析，選擇時間序列預測，然后估計預測偏差，結合問題以7天為滾動預測周期，累計估計預測偏差，并對兩種方法的預測偏差進行比較分析。 其思路流程圖如下： 假設每個風力發電機組完全相同。 4 模型構建 4.1 基于間隔 5 s 的風電波動概率分布模型，選取 5 臺風電機組，在 30 天內，以秒為時間間隔，研究單臺風電波動特性的概率分布。 針對附表給出的大量原始數據，首先對數據進行預處理，分別繪制5臺風電機組風電頻率分布的直方圖。 用工具箱對直方圖進行擬合，計算擬合程度，得到最佳概率分布。 4.1.1 數據穩定性分析 為了便于估算，在處理大量原始數據時，通過查閱數據，本文首先將原始數據處理成t時刻風機的風功率，C為風電場總容量、該時刻的風電單價 本文首先選取前一天1號風電機組的數據，利用上述公式進行單機處理，繪制動態曲線借助編程，如右圖1所示： 0.10 .20.30.40.50.6 一天的風功率變化是一樣的。 以一天為時間段，我們繪制了幾組風電功率變化圖。 通過對這些圖的觀察和比較，我們發現一定時間內功率的波動圖像大致符合t分布，一定時間內風電的波動圖像大致符合chi-方形分布。iTE物理好資源網(原物理ok網)

在初步了解風電波動的分布情況后，為了進一步探究風電波動的概率分布，本文構建了如下模型并對其進行了詳細闡述。 4.1.2 數據處理 為了反映風電波動的概率分布中期風電功率預測，本文對原始數據進行差分處理，即將前一個數除以相鄰原始數據中的上一個數，并依次相加，利用得到的差異來突出風電的波動。 由于獲取的差異數據量仍然巨大，為了簡化大樣本數據，文中對獲取的數據進行分組，每10個數字進行分組。 然后，提取每組數據的中值來反映該時段的風電功率值，以便我們對數據進行簡化。 根據處理后的數據，繪制了1號風電機組風電功率波動的概率分布直方圖，如圖2-0-.0020.0040.0060.0080.010.0120.0140.0160.018數據號風電機組概率分布直方圖經過查閱數據并結合相關經驗，我們選取??了四種風電機組波動最可能的概率分布。 該風電機組的功率波動概率分布為：正態分布()、邏輯分布分布我們利用擬合工具箱分別對1號風電機組的風功率波動進行概率分布函數擬合。 擬合曲線如圖 3 所示。 比較不同概率密度函數在 5s 間隔下的擬合結果 觀察圖 3 中的擬合結果。為了定量比較不同概率密度函數的擬合效果，這里引入擬合指標：分別是第i列的高度和中心位置坐標，該值對應于函數上擬合的概率密度函數。 我們分析得出中期風電功率預測，擬合指標值越小，擬合越準確。對于圖3中3號風電機組風功率波動的不同概率密度的擬合，我們估算了這4個概率的擬合指標根據下表 1 所示的公式進行分布： 擬合指數 概率分布 擬合指數iTE物理好資源網(原物理ok網)