风电机组汇聚的结果误差分析

目录TOC\o"1-2"\h\u第一章绪论 第一章绪论1.1研究背景当今世界的发展非常迅速，城市规模越来越大，一座座高楼大厦和生产车间诶不断建造，人类对电力的需求也随之与日俱增。我们生产电力的主要来源是煤炭石油和天然气这些资源，但需求量越来越大，早晚会被开采一空，而且这些化石能源的大量使用还会产生许多有污染的气体和粉尘，对我们的生活环境造成了巨大危害。这些东西的燃烧产生了大量的以二氧化碳为主的温室气体，造成了严重的温室效应，地表的温度每年都在上升，夏天的最高气温也越来越高。南北两极随着温度升高，冰川会逐渐融化，海平面会逐渐上升，许多原本的陆地和岛屿将会被海水淹没，对人类生存造成巨大威胁。因此我们需要发展可持续性的清洁能源。风力发电就是一个很好的选择。风力是清洁的能源，随处都是，风力发电不会产生有污染的气体，风本身也不是污染物，是清洁能源。风能不会像化石能源那样消耗殆尽，地球上的气流随时随地都在活动，我们完全无需担心会无风可用。我们要确保风力发电机组的正常使用，这其中，对于发电功率的预测也很重要。风力发电机组的功率预测总是会有误差通过对风力发电机组汇聚的误差的分析来降低风力发电机组的功率预测的误差，避免不必要的维修费和经济损失。1.2国内外研究现状风力发电产业在中国得到了快速发展，在这20年以来发展十分迅速。根据中国气象局表示：中国有着独特的地理优势，而且拥有非常丰富的风能资源可以用于风力发电发展。至具体来说，最合适的位置主要分布在“三北”地区和东南沿海。根据到能源基金会的预测，到2020年，全国风电总装机容量可能会达到25,000至300亿千瓦，并且“三个北方”地区至少可以贡献80％。“三个北方”地区（西北，华北和东北）包括东北三省（辽宁，吉林和黑龙江），内蒙古，宁夏，青海，河北，甘肃和新疆。迄今为止，美国最发达的项目是由Deepwater开发的CapeWind468MW风力发电项目和BlockIsland30MW项目。这两个项目已完成前期工作，并已获得PTC税收抵免。CapeWind项目是由EMI开发的，EMI在探索CapeWind项目的开发过程已有10多年了。目前，该项目的77.5％已签署购电协议，越来越多的投资者正准备投资这个26亿美元的风能项目。布洛克岛海上风能项目位于罗德岛海域。这个投资2500万美元的项目已完全签署了为期20年的购电协议2014年3月，日本政府确定海上风电的固定价格为36日元/千瓦时。但是，根据日本工业界的评估，鉴于日本附近海水的深度，这种电价水平并不高。英国是海上风能开发领先的国家，其累积装机容量几乎占世界总量的一半。2013年，总共有四个项目连接到网络，累计容量为733兆瓦。这四个项目是：LondonArray，Lincs，Teesside和GunfleetSands。当前有3.8G瓦的项目正在建设中，而7.8G瓦的项目正在审批中。到2016年，安装8G瓦项目。到2020年，将完成18吉瓦容量的安装，这将满足该国18-20％的电力需求。在大背景上，欧洲发展风电乃是大势所趋。在经济方面，随着风机价格下降，风电建设成本也逐渐下降，风电成本已经低于燃煤发电和天然气发电，运营维护成本更是远远低于核电；在社会意识形态上面，欧洲是清洁能源发展的起源，更是世界低碳发展的主要倡导者，民众对风电、生物质能发电等清洁能源接受程度高。1.3研究意义1.能够根据风能的变化规律，提高系统的安全性，可靠性和可控性。2.根据风能生产的变化进行预分配计划，能够优化网络的分配，减少轮换的备用容量，节省燃料并确保网络的经济运行，从而对风力发电机的生产进行短期预测，进而实现能源分配服务，能提前真对风力变化来调整计划。这些措施减小了系统的备用容量，降低了系统的运行成本。这是减少风能对电网的不利影响并增加安装在系统中的风能份额的有效方法。3.为了满足电力市场交易的需求并从发电公司（风力发电场）的角度为风能拍卖提供有利条件，与其他可控能源生产方法相比，一旦风能参与未来的市场竞争，间歇性会成为风力发电的隐患，风力发电的竞争力将由于电力供应的不可靠性而受到处罚。为风力发电厂提前进行预测能避免出现这种麻烦。4.进行实际测试以组织机组的维护和维修，并提高风电场的容量系数，风电场可以根据预期结果（即时间）选择无风或低风期风量大的地方修理设备，从而提高电力生产能力和风电场的容量系数。由此可见，风电机组的功率预测非常的重要，而过个风力发电机组汇聚后的功率和原本的单个功率之和又存在误差，因此我想研究风电机组的汇聚对于功率预测结果的误差的影响。1.4章节安排第一章为绪论，讲解一下选题的背景与意义，国内外风力发电的发展过程及现状，我研究这个课题的原因。第二章为整体思路，说明我打算如何做这个课题设计，要用到哪些知识点和方法。第三章为BP神经网络的资料和运用方式。第四章为单个风电机组功率的预测及误差分析，假设几个条件，然后运用BP神经网络建模和运算来预测发电功率的过程。第五章为仿真及验证，编写程序，将用BP神经网络模型算出来的每个发电机组的预测值用matlab对相对误差进行分析。第六章是对本次课题的总结，列举在课题研究中遇到的一些问题，以及对风力发电未来发展的期望。第二章整体思路找一份风力发电厂的功率数据，须要满足下列一些条件：（1）风力发电机组有多种型号。（2）风力发电厂有许多的机组。（3）我使用的数据是真实的而且具有代表性。（4）不考虑暴雨、大雪、台风等恶劣天气对风力发电机组的影响。（5）假设发电机组的设备都绝对可靠，保养条件良好，不会发生机器故障。（6）假设该发电厂进行供电的永和数量几乎固定不变。首先对风力发电机组进行实时预测和误差结果分析，使用BP神经网络作为风电机组的功率预测方法，先收集BP神经网络的资料，对BP神经网络进行学习和了解，了解完基本概念后和掌握了BP神经网络的使用和算法之后制定解题步骤。建立BP神经网络模型，列出公式，根据找到的数据进行计算并求解，计算出单台风电机组功率全部加在一起后的值和多机总功率预测值这两者的相对误差，然后再使用MATLAB编写预测单个机组功率的程序代码，进行仿真。预测出单个风电机组的功率值，并绘出单个风电机组的单日功率预测图。然后分析风力发电机组汇聚对于预测结果误差的影响以及试着寻找对预测结果误差产生影响的原因。在单机组预测的基础上编写预测多机组总功率的程序，利用matlab自带的绘图功能绘出单机和多机的相对误差随各时建点变化的相对误差图。最后经过观察相对误差图分析可找出它的规律。这样就可以知道风力发电机组汇聚后给风力发电功率误差带来了怎样的影响，也就是产生了一个什么样的问题，之后找出出现这种影响的原因，然后再对仿真结果进行分析和总结。第三章BP神经网络3.1基本原理人工神经网络不需要为输入和输出之间的映射关系预先确定公式。我们只需在自己的培训中学习特定的规则，即可在指定输入值时使结果最接近预期的输出值。作为一种智能信息处理系统，执行其功能的人工神经网络的核心是一种算法。BP神经网络是由错误返回传播形成的直接作用多层网络。该算法称为BP算法。基本思想是梯度下降，它使用梯度搜索技术来创建网络。实际输出值和预期输出值之间的差异很小。基本的BP算法涉及两个过程：前向信号传播和后向误差传播。换句话说，从输入到输出计算误差输出，并从输出到输入创建调整权重和阈值。在直接传播期间，输入信号通过隐藏层作用于输出节点。在非线性变换之后产生输出信号。如果实际输出与预期输出不匹配，则将错误传递到反向传播过程。错误反向传播是将输出错误逐层从隐藏层返回到输入层，并将错误分配到每一层的所有单元。从各层获得的误差信号用作调整各单元重量的基础。调整输入层和隐藏层节点之间的连接力以及隐藏层和输出层节点之间的连接力以及阈值可减少沿梯度方向以及学习和学习后的误差。反复训练，将其减少到最小误差。相应的网络参数（确定权重和阈值），训练停止。此时，训练后的神经网络可以根据相似样本的输入信息处理具有相似输出误差的非线性变换信息。（1）传统BP算法：BP算法是一种监督学习算法。他的主要思想是：输入学习样本，并使用反向传播算法反复调整要训练的网络的权重和偏差，以使输出向量尽可能的接近预期向量。如果网络输出层的平方误差之和小于指定的误差，则说明训练已完成，并且节省了网络的权重和偏差。具体步骤如下：1初始化，随机正确地给每个连接[w],[v]及\t"/item/BP%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%AE%97%E6%B3%95/_blank"阈值，。2.在指定的输入和输出模式下输出隐藏级别和输出级别的单位.式中：bj为隐层第j个神经元实际输出；ct为输出层第t个神经元的实际输出；为输入层至隐层的连接权；为隐层至输出层的连接权。3.选择下一个输入模式，然后返回到步骤2以重复训练，直到网络设置了输出错误以满足结束训练的要求。传统的BP算法在本质上是一种学习方法，它将一组样本I/O问题转换成1个非线性优化问题，并使用负梯度下降算法通过迭代运算来解决权重问题。（2）改进后的BP算法：对于给定的一对样本，任意选择一组自由权重，将它作为隐含层和输出层之间的固定权值。使用传递函数计算出隐含层实际的输出，之后将隐藏层和输出层的权值设为待求量，目标输出将直接用作方程式的右侧，以确定要求解的方程组。定义了以下符号：输入层的输入矢量；输入层为时输入层的实际输出向量；目标输出向量；m、n和r是输入层、输出层、隐含层中神经元的数目，W是输入层和隐含层之间的权重矩阵，V是隐含层和输出层之间的权重矩阵。具体步骤如下：1.输入层和隐含层之间的神经元初始权重是随机给出的。2.根据给定的样本输入计算实际的隐藏层输出。为了看起来更加简单，将隐含层的阈值设，=-1，然后：（j=1，2…m－1）（=1，2，4,…－1）。3.算出隐含层和输出层之间的权值。使用输出层的第r个神经元作为对象，根据给定的输出目标值作为方程式的多项式值创建方程，用线性方程组列出的等式为：。=。因此，方程组具有唯一的解，方程组A的矩阵是一个非奇异矩阵，它的秩和其=它的增广矩阵的秩相等，因此方程数和未知数个数量是一样的。m=p方程的解算结果为：，（=0,1,2,3,4...m-1）。4.通过重复第三步，可以获得输出层中m个神经元的权值。输出层的权重矩阵加上随机设置的隐藏层和输入层的权重等于由神经网络形成的最后一个权重矩阵。3.2结构BP网络需要在输入层和输出层之间添加多层神经元（一层或多层）。这些神经元称为隐藏单元。它们没有直接连接到地外，但是它们的状态变化会影响输入。输出和每一层之间的关系可以包含多个节点。输入层隐含层输出层图3-1BP神经网络模型图从图中可以看到，神经网络包含一个输入层，一个隐藏层（中间层）和一个输出层。输入层中神经元的数量等于输入数据的大小。输出层中神经元的数量对应于要设置的数据数量。隐藏层中神经元和层的数量迫使设计人员遵循某些规则和目标。实施。在深度学习出现之前，隐藏层的数量通常是一层，也就是说，常用的神经网络是三层网络。3.3BP网络输入与输出关系BP网络采用的传递函数是非线性变换函数——Sigmoid函数（又称S函数）。其特点是函数本身及其导数都是连续的，因而在处理上十分方便。为什么要选择这个函数，等下在介绍BP网络的学习算法的时候会进行进一步的介绍。S函数有单极性S型函数和双极性S型函数两种，单极性S型函数定义如下：3.4反向传播反向传播的根本原理是计算期望值和输出层之间的误差，然后用误差值来调整网络参数降低误差，从而使误差变小。3.5计算方式BP神经网络的计算过程包括直接计算过程和逆向计算过程。在直接传播过程中，通过隐藏在输入层中的单位层逐层处理输入模式，从而形成输出层。每层中的神经元状态仅影响下一层中的神经元状态。如果没有从输出层获得所需的输出，它将传播回波中并沿原始连接路径返回错误信号，更改每个神经元的权重将错误信号变得最小。对于第i个神经元，X1，X2，...，Xj是神经元的输入，而输入通常是对系统模型和W1，W2，...，Wj是用于调整每个报告输入权重的连接权重。在神经元中组合信号的方法有很多种，更实用的线性加权求和可以得到neti神经元的净输入：代表神经元的阈值，按照生物学知识，只有在神经元收到的信息达到阈值时才会激活它。因此，我们比较和，然后通过激活函数进行操作以生成神经元输出。激活函数：如果输出值具有一定的范围约束（例如用于分类），则最常用的是Sigmod函数，该函数可以将输出0时的输入信号从负无穷大转换为正无穷大到1如果没有限制，我们可以使用线性激活函数（即，权重的和）。所以我们得到的输出是：=-1，=。第j个输出神经元输入是：第q个隐藏神经元输入是：里的为，假设神经网络的训练输出为，而。将这次误差的结果用最小二乘法表示：。3.6实际应用在人工神经网络的实际应用中，大多数神经网络模型都使用BP网络及其变体。它是直接网络的核心部分，体现了人工神经网络的本质。BP网络用于四个主要领域：（1）功能调整：训练网络将功能调整为输入向量和相应的输出向量。（2）模式识别：获取待处理的输出向量并将其与输入向量关联。（3）分类：对输入向量定义的适当方法进行分类。（4）数据压缩：减小输出向量的大小，以方便传输或存储。3.7优点和缺点优点：BP神经网络在理论和网络性能方面都相对成熟。它的特殊优势是它具有强大的非线性映射能力和灵活的网络结构。网络中的中间层数和每层中的神经元数可以根据具体情况任意设置，其性能也可以根据结构而变化。缺点：1.它的学习速度非常慢，甚至一个简单的问题通常也需要数百甚至数千个学习的融合。2.容易陷入局部最小值。3.没有相应的理论指导来选择网络层数和神经元数,4.网络的促销能力是有限的。第四章运算过程4.1假设条件本篇文章以某个风力发电场为例，这个风力发电厂是由58台风电机组构成的。有A、B、C、D四个型号的风力发电机组，每台机组的额定输出功率是850W。指导我的学长给我提供了2006年5月31日~6月6日期间A、B、C、D这四套机组以及58台风力发电机组的功率数据表格供我计算使用。分别将他们设为P4、P58；PA、PB、PC、PD。1.假设“风力发电厂”供电区域内的用户数量不会发生改变。2.假设“风力发电厂”的系统以及硬件设备不会损坏。3.假设风力发电厂所在地区没有台风地震等自然灾害的骚扰。4.发电厂的功率范围有连续性，功率预测值全有效。4.2符号说明输入变量向量组隐层输出变量向量组输出层输出向量组隐层到输入层之间的权值矩阵输入层到隐层之间的权值矩阵期望输出向量组比例常数，表示学习速率4.3建立BP神经网络所对应的a、b的实测值作为输入参数。变量，隐层输出变量设为1个，用表示，用向量组H表示输出层输出向量（功率），常向量组D为期望输出。根据BP神经网络原理能列出下列方程。输出层方程：隐层方程：4.4BP神经网络的求解步骤1.先标准化处理数据，全都归于0~1。2.先将网络初始化，网络会自动富裕权值矩阵W、V随机数，将p(样本计数器)和q(训练次数计数)置为1，误差E置0，学习率=0.1，网络训练后达到的精度取0.01。3.将训练样本输入，计算出各层的输出。用样本对向量数组X、D赋值，然后计算Y和H的分量。4.计算输出的误差。训练样本一共有6对，第i个样本在网络上有误差，总输出误差为：5.调整各层权值，调整的权值量为：6.核实所有样本是否完成了一次轮训。如果，那么计数器和同时1，返回第2步，如果，则进行下一步。7.检查网络总误差是否达到精度要求，如果，训练结束，如果不，则重置为0，重置为1，返回第2步。8.建模运算步骤流程图：图3-1BP神经网络流图第五章仿真及验证5.1BP神经网络建立的模型分析根据上一章建立的输出层和输入层模型，用matlab求出结果。图5-1PA第1日运行图图5-2PA第1日预测误差图图5-3PA第2日运行图图5-4PA第2日预测误差图通过图5-1和图5-3能看出，预测曲线和原始曲线两者相比，拟合度非常高，而且拟合曲线在各个时点都很接近于实际预测值，预测的曲线和实际的曲线的走势也基本相同，因此预测值的结果应该没什么问题。图5-2和图5-4给出了PA在这两日时间内各个时点的误差的值的大小。通过5-1到5-4可以看出，BP神经网络的预测值和实际值之间的误差比较小，而且误差都分布在第一和四象限，误差值之间没有线性关系，因此这个预测模型是比较合理的。因为BP神经网络输入值是实际值，按照之前对实际值的训练，先找一个最好的模拟网络，然后对下一个时段的值进行预测，它完全不受外界的影响和约束，主要取决于输入，根据神经网络自动的临界值和调整权值，就能得到训练的结果，这种方法是可行的。5.2相对误差分析既然建立的功率预测模型没有问题，那么就按照之前建好的输出层与输入层模型，使用matlab求解。观察P4、P58分别与PA、PB、PC、PD的相对误差在5月31日~6月5日期间的每个时间点的变化情况。分析用BP神经网络模型算出来的各个风电机组预测值与实测值加的相对误差。1.PA、P4、P56的相对误差变化图：图5-5PA、P4图5-6PA、P582.PB、P4的相对误差变化图：图5-7PB、P43.PC、P4的相对误差变化图：图5-8PC、P44.PD、P4的相对误差变化图：图5-9PD、P45.3规律分析通过对比分析几张预测功率的相对误差变化图找出了一些规律：1.我发现PA、PB、PC、PD它们四个的预测误差都非常小，将四台发电机一起接入电网，或者整个风电场一起接入电网上，在某些时点预测误差会出现突然增加的情况，这个现象说明：当多机组汇聚后，各电机之间会相互影响，进而会改变实际输出功率值，使实际输出的功率变小，使得预测出的结果变得不精确。2.不止如此，多机组汇聚产生的四个叠加误差都几乎是出现在同样的时间点。所以我们在对风电场做风力发电功率预测时，如果在某一时间点有多个机组在同时发电，我们不能把每个机组叠加后的总功率当做总的实际功率来做预测，只能当风电机组都汇聚在一起时测它们总共的功率，然后再做预测。3.多机组汇聚出现的总功率数值突然减小的情况只会出现在固定的地点，其余的时间点并不会出现这种情况，不受任何影响。整理历史数据后进行分析，把“异常”的时间点找出来，“正常”的时点依然可以通过测量各个风力发电机组的叠加功率对总功率值进行预测。5.4仿真结果分析通过之前找出的那些规律可以得出这样一个结论：多个风力发电机组汇聚后会导致某一个时点的预测误差的突然暴增。所以，在随多机组同时工作的时候预测总输出功率一定要剔除掉这些特殊时点。我们可以通过分析历史数据来找到这些异常“时点”。通过计算和仿真得到的结果也符合风力发电机组原理。风力发电机组虽然是普通的发电机，但是风是它的动力来源，风带动叶片进行旋转，将风能转换成发电机的机械能，再通过转换装置带动发电机使其进行旋转运动从而产生电能，因为发电机的内部有非常多的线圈，所以在进行发电的时候这些线圈也会消耗掉一部分能量，也就是说发电机本身还没有开始进行正常的工作，但是发电机内部的线圈却已经在消耗能量了。也正是由于这个原因，多台发电机组汇聚运行时，线圈之间产生互感作用，线圈自身会消耗能量，输出的总功率比单个电机自己工作功率的总和要小。第六章总结与展望我在做这次毕业设计之前完全没见过更没学过BP神经网络的知识，花了一些时间才学会了BP神经网络的基本原理和使用方法。在编程的时候遇到了许多不懂的地方，在学长和老师的讲解帮助下，并自己不断摸索，完成了程序的编写。在这里要特别感谢指导我的学长和老师。我先是对风电机组功率进行实时预测和分析误差，用BP神经网络进行建模和运算，然后用matlab进行仿真验证，确认结果无误后再分析风电机组汇聚对预测结果误差的影响，用matlab做出预测误差比较图分析相对误差。最后通过仿真得到了结果，将相对误差图经过一番分析比对得出结论。风力发电机组内部线圈造成能量损耗和预测误差增加。本次毕业设计虽然辛苦，但是却让我有很大的收获，又多学到了不少风力发电和有关BP神经网络的知识，增加了自己的理论知识储备量，也让了自己的实际动手能力有了明显进步，对matlab的使用也更加得心应手。风力发电不该只是一种提倡环保的象征，应该将它广泛应用到使用中去，想让大家更加愿意接受和使用风力发电，就要在技术层面多加改进，这也是我选择做这个题目的原因。风力发电有着非常好的发展前景，我相信通过在技术层面的不断探索和改进，对风力发电系统的不断完善，风力发电一定能被更加广泛的使用，从而有效地避免传统发电方式造成的污染，我相信在未来，很多风能资源充沛的地方都有风力发电系统的存在，风力发电会为我们产生更多的可持续性清洁能源，减少更多的空气污染。参考文献[1]李闯,田春华,刘家扬,崔鹏飞,蒋伟.风力发电机组对风偏差检测算法研究与应用[J].可再生能源,2020,38(05):620-624.[2]杨伟新,宋鹏,陈雷,郭鹏,崔阳,李肖刚.风电机组偏航静态偏差对发电性能的影响及优化方法[J].可再生能源,2020,38(05):680-684.[3]张钦智,王宾,李琰,刘超.风电场经柔性直流输电系统故障穿越协调控制研究[J/OL].[4]罗永强.风机发电机中电力电子技术应用[J].科技风,2020(14):198.[5]武晋辉.风力发电塔筒安装工艺控制要点[J].山西建筑,2020,46(09):81-82.[6]马靖聪.永磁风力发电机组抗饱和控制器设计