可持续能源  >> Vol. 6 No. 3 (June 2016)

不同时间尺度下风电功率波动信息的损失及其影响的研究
A Research for the Information Loss and Its Influence of Wind Power Fluctuations in Different Time Intervals

DOI: 10.12677/SE.2016.63006, PDF, HTML, XML, 下载: 1,252  浏览: 3,416 

作者: 王甜婧, 朱永强:华北电力大学新能源电力系统国家重点实验室,北京;沈子杨:西安交通大学,陕西 西安;蔡林佑:哈尔滨工业大学深圳研究生院,广东 深圳

关键词: 风电功率不同尺度信息损失小波分析信息熵Wind Power Different Time Scale Loss of Information Wavelet Analysis Entropy of Information

摘要: 短期预测的时间间隔为15分钟,但从秒级到分钟级的风电功率波动信息对电力系统的控制尤为重要,本文从幅值、小波、信息熵三方面,研究了不同时间间隔下风电波动信息损失的规律。首先,基于某风电场的实测数据,对比了不同时间间隔下风电功率波动的变化情况,发现较大时间间隔下损失的多为高频信息。然后对风电功率的幅值进行分析,指出了随时间间隔的增大,信息损失会越来越大。再基于小波变换和相关性分析,发现了每台机组损失频段的一致性,证明了高频分量的损失及其在波动分析中的重要性。接着运用信息熵理论,说明了随时间间隔的增加,波动信息的混乱程度会降低,同时价值也会降低。接下来,通过对不同时间间隔功率预测误差的对比,发现时间间隔越大,预测误差越大。最后,基于以上的分析,总结了风电波动信息损失的影响。为风电功率波动的进一步研究,提供了新思想。
Abstract: The time interval of short-term wind power forecasting is 15 minutes, but the information of wind power fluctuation from minute to second is important for the controlling of power system. Considering three aspects of the amplitude, wavelet and entropy of information, the paper studies the law of the information loss of wind power fluctuation in different time interval. It firstly compares change of wind power fluctuation in different time scale based on measured data of certain wind farm, finding most of the loss is the information of high frequency in large time scale. Then, for the analysis of the amplitude, the paper proposes that the information loses more as time interval is increasing. Next, the consistency of the loss band of each unit is found and the loss and importance of the part of high frequency are proved according to the wavelet analysis and the interdependency. The degree of confusion about the volatility of information is reduced. And the value of information decreases as time interval increases based on the entropy of information. Furthermore, through comparing with the errors of predicting power in different time scale, the error of predicting power is more as the time scale increases is found. Finally, based on the above analysis, the influence on the information loss of wind power fluctuation is summarized, providing a new idea for the further research of wind power fluctuation.

文章引用: 王甜婧, 沈子杨, 蔡林佑, 朱永强. 不同时间尺度下风电功率波动信息的损失及其影响的研究[J]. 可持续能源, 2016, 6(3): 51-61. http://dx.doi.org/10.12677/SE.2016.63006

参考文献

[1] 田茹, 张东英. 风电出力波动性概述[J]. 科技风, 2012(7): 12.
[2] 李剑楠, 乔颖, 鲁宗相, 等. 大规模风电多尺度出力波动性的统计建模研究[J]. 电力系统保护与控制, 2012(19): 8-11.
[3] 曾庆锋, 王萌, 杨涛. 大规模风电波动性研究以及去波动化对策[J]. 内蒙古石油化工, 2012(24): 7-13.
[4] 李如琦, 杨立成, 苏媛媛, 等. 基于相似日和蚁群优化 LS-SVM 的短期电力负荷预测[J]. 现代电力, 2008, 25(2): 33-37.
[5] 韩晓娟, 曹慧, 李勇, 等. 基于小波变换和 LS-SVM 的短期风速预测方法[J]. 太阳能学报, 2011, 32(10): 1538- 1542.
[6] 赵勇, 胡雅娟, 黄巍. 风电场功率波动对电网电压的影响[J]. 吉林电力, 2007, 35(2): 22-24.
[7] 国家电网公司. 风电功率预测系统功能规范[M]. 北京: 中国电力出版社, 2011.
[8] (2006) Design and Operation of Power Systems with Large Amounts of Wind Power. http://www.ieawind.org/
[9] 王承熙, 张源. 风力发电[M]. 北京: 中国电力出版社, 2003.
[10] Stinson, D.R. (2006) Cryptography: Theory and Practice. CRC Press.
[11] Ingrid, D. 小波十讲[M]. 北京: 国防工业出版社, 2004.
[12] 陈聪聪, 王维庆. 基于小波神经网络法的短期风电功率预测方法研究[J]. 工业控制计算机, 2010(10): 47-48.
[13] 师洪涛, 杨静玲, 丁茂生, 等. 基于小波——BP 神经网络的短期风电功率预测方法[J]. 电力系统自动化, 2011, 35(16): 44-48.
[14] 齐放. 基于小波神经网络的风电功率预测[J]. 电气开关, 2011, 49(4): 18-20.
[15] 胡卫红, 王玮. 风电并网对电网影响探讨[J]. 湖北电力, 2006, 30(5): 3-4.
[16] 裴玮, 盛鹃, 孔力, 等. 分布式电源对配网供电电压质量的影响与改善[J]. 中国电机工程学报, 2008, 28(13): 152- 157.
[17] 韩民晓, 崔军立, 姚蜀军. 大量风电引入电网时的频率控制特性[J]. 电力系统自动化, 2008, 32(1): 29-33.