【《风电爬坡事件研究的国内外文献综述》5200字】

风电爬坡事件研究的国内外文献综述目录TOC\o"1-3"\h\u4747风电爬坡事件研究的国内外文献综述 153131.1风电爬坡事件定义的研究现状 168731.2风电爬坡事件预测的研究现状 3203731.3风电爬坡事件控制研究现状 521703参考文献 7风电自身的强不确定性是造成风电并网难的主要因素之一[8]。国内外对于风电爬坡事件的研究长期以来都是风电领域的研究重点之一。美国ANL国家实验室专门撰写了风电爬坡事件研究报告[9]。国内外对于风电不确定性的研究主要从两方面开展，一方面对风电不确定性本身的特性展开研究；另一方面是进行风电预报的研究。目前，在风电预测领域的研究取得了长足的发展[10-12]。而在针对风电随机性、波动性及间歇性这三大特性的相关研究中，以随机性及波动性的研究居多[13,14]。1.1风电爬坡事件定义的研究现状针对于风电爬坡事件的定义方法，文献[15]介绍了风电爬坡事件的研究现状。文献[16]根据历史风速和数值天气预报数据来产生个风功率场景。对每一个场景，在每一个时间段上根据爬坡事件的定义监测爬坡事件；对相同的时间段，计算所有场景中发生爬坡事件的总数；将定义为每个时间段内爬坡事件发生的概率，对爬坡事件进行概率预报。文献[17]认为将爬坡事件记为1、未爬坡记为0的方法存在一定缺陷，提出了基于哈尔小波系数的功率爬坡事件定义方法。图1-1实际测量的风力功率和24小时的点预测[17]文献[18]利用爬坡占空比对风电的间歇特性进行了研究，首先给出了风力发电间歇的定义。在此基础上，利用爬坡占空比(DRWPR)来量化风力发电间歇。该指标为系统运营商提供了风力发电间歇的定量分析。此外，该指标还可以提取出风速间歇与风电间歇的差异、不同尺度下风电间歇的差异等风电间歇特征。基于该指标和历史数据，对我国某风电场的风电间歇性进行了详细研究。图1-2风力功率输出与对应的爬坡占空比[18]文献[19]对当前定义方法及其基本定义思想进行了介绍。文献[20]对目前常用的定义方法进行了分析。表1-14种定义的优缺点比较[20]定义优点缺点文献[21]提出基于风电并网后频率的偏差来定义爬坡事件。文献[22]提出了一种极点提取法，用于识别爬坡事件。文献[23]深入分析了气象条件与风电爬坡事件发生状况之间的关系，对爬坡特性进行了探究。文献[24]基于小波变换开发一种能够检测和分类风电爬坡的算法。文献[25]利用虚拟电厂提取风电爬坡事件的特征，并提出一个新的爬坡行为分析(RBA(theta))模型，识别和量化变化的数据集。RBA(theta)能够准确、准确地将时变发电量识别并量化为具有后续特征的事件。在将时间序列数据汇总为一系列事件的过程中，数据量大大减少。因此，RBA(theta)也可以用于数据压缩和重构，损耗较小。文献[26]提出了一种新的风电爬坡事件的定义方法，并利用累积概率的数理统计方法讨论了阈值的设置。文献[27]提出了一种风电爬坡事件的混合检测系统，该系统将大气的分析数据作为输入，对模型进行训练，实现对风电爬坡事件的检测。该文献利用极限学习机（ELM）对风电爬坡事件进行识别，并利用进化算法对该模型进行了改进，提高了风电爬坡事件识别的准确率。目前在四种基本的定义方法上，国内外的研究学者，利用频率的偏差[19]、哈尔小波系数[17]等方法，进一步提高了风电爬坡定义的准确性。但各个风电厂的自身情况和接入系统的要求不同，现有的爬坡定义难以直接应用于各类风电场，因此如何设定一种具有良好普适性的风电爬坡事件的定义方法，是当前风电爬坡事件定义中一个急需解决的问题。当前的风电爬坡事件定义，主要是从风电机组输出侧出发实现对风电爬坡事件的定义[20]。但是，风电爬坡事件的定义，应该从电力系统全局出发，综合考虑电力系统中各有功出力之间的关系，从电网实际运行角度进行爬坡事件的定义。1.2风电爬坡事件预测的研究现状针对于爬坡事件的预测的研究成果也比较丰富。文献[29]以爬坡发生时间为中心，人为加上一个时间段，计算在该时间段内不同场景下发生爬坡的概率，实现爬坡事件发生时间的不确定性预报。文献[30]用自组织映射的方法，以海平面气压为目标，把日本东部36年的气象数据分为20*20类。然后，研究每个天气模式下对应的风功率爬坡事件发生的概率，和天气模式对应起来。通过天气预报的方式实现爬坡事件预报。文献[31]指出可再生能源与负荷出现相反方向的爬坡事件会对电网产生更严重的影响，未来的爬坡事件定义、识别及预测需要引入负荷侧等更多信息。文献[32]建立了计及频率偏差的双馈异步风电机组模型、负荷模型和发电机模型，充分利用SCADA的冗余数据进行状态估计，生成相应频率指标进行爬坡检测；文献[33]直接利用支持向量机对风电爬坡事件进行二分类预测。文献[34]利用支持向量机模型，将历史的风速平均值、标准差、最大值、最小值、功率以及功率爬坡率作为模型输入来预报提前10分钟至60分钟的风功率爬坡率。Kramer等人把爬坡事件预报看作分类问题[35]。将目标风机及周围风机的风功率特征构成一个模式，而爬坡事件作为标签（0表示没有爬坡事件，1表示正爬坡，-1表示负爬坡），利用支持向量机模型进行分类，实现爬坡事件的预报。Bossavy[36]等人根据风速预报的结果产生不同的场景，然后根据爬坡的定义查找爬坡事件发生的时间，以该时间为中心，人为加上一个时间段，计算在该时间段内不同场景下发生爬坡的概率，实现爬坡事件发生时间的不确定性预报。文献[37]针对风电爬坡事件预报中的时间窗口选取进行研究.文献[38]对风功率爬坡事件预报过程中预报时间窗口的选取和建模进行了研究，并基于气象背景选择相邻点的方法来对风功率爬坡事件进行预报。文献[39]利用小波变换和支持向量机的融合预测方法，实现了爬坡事件的识别和预报。文献[40]提出了一种堆叠降噪自动编码的爬坡事件特征提取方法，再进行特征提取后利用聚类算法将特征相似的样本进行归类。同时利用深度学习、神经网络等常用算法，将提取到的特征作为预测模型的输入，是否为爬坡事件作为模型的输出，实现了对爬坡事件进行预报。文献[41]提出一种基于特征点点提取的限制指标动态优化的风电功率爬坡段识别方法。图1-3动态优化的系统流程图[41]文献[20]指出目前研究大多都是从风电厂侧预测爬坡，需要进一步突出爬坡事件对电网产生的影响。文献[19]结合电网频率来对爬坡事件进行预测，将频率偏差量放入雅可比矩阵，进行潮流计算的，以此实现风电爬坡事件的预测。图1-4考虑频率偏差的爬坡事件预测流程[19]文献[42]提出了一种提出了一种基于半监督生成对抗网络(GAN)的混合预测模型来解决短期风电出力和匝道事件预测问题。该模型将原始的风能数据时间序列分解为多个具有不同频率本征模态函数(IMFs)的子序列，采用带有标签学习的半监督回归法进行数据扩增，提取各IMF的非线性和动态行为。然后，利用GAN生成模型获取无标记虚拟样本，获取风电输出数据分布特征;重新设计判别模型，采用半监督回归层进行风电点预测。文献[43]提出了一种基于利用典型事件聚类识别预测风电爬坡事件的方法，并利用实际风电场数据对该方法的合理性进行了分析。文献[44]提出了一种基于小波深度信念网络的风电爬坡预测算法，首先，分析了风电特性，然后对时间序列进行小波分解，提出一种自适应特征选择算法来选择预测模型的输入，最后采用深度置信网络进行预测。文献[45]提出了一种基于copula的风力发电爬坡条件概率预测模型。文献[46]提出了一种利用远程多普勒激光雷达对风电场规模的短期风电功率预测。文献[47]提出了一种基于蓄水池计算的风电爬坡事件有序多类预测体系结构，与之前的二分类预测问题(斜坡与非斜坡)不同，本文采用了三类预测模型，提出了一种新的离散化函数，能够检测出风电爬坡事件的本质：负爬坡、非爬坡和正爬坡事件。文献[48]提出风爬坡事件预报的非线性卡尔曼滤波偏差修正模型，明显的提高了风电爬坡事件预测的准确率。文献[49]提出了一种基于深度神经网络的风电爬坡事件多任务学习预测模型，提出了DNN-MTL架构，同时接收来自所有风电场的输入，以同时预测风电场每个位置上的风电爬坡事件。文献[50]在多个空间和时间尺度上改进了短期风电预测的爬坡预测性能。在目前的风电功率的爬坡预测研究中，根据所用数据样本的不同，风电功率的爬坡事件的预测方法可以分为直接预测法和间接预测法。国内外学者利用小波变化[39]、原子稀疏分[40]等方法，与常用的支持向量机、BP神经网络等数据驱动的建模方法进行结合，提高了预测精度。在风电场运行过程中，发生爬坡事件的概率较小，因此在利用基于数据驱动的建模预测中，会出现风电爬坡事件与非爬坡事件之间的样本类不平衡问题，风导致预测精度的降低，而现有的数据驱动建模方法中未做出针对性考虑和处理，因此如何针对风电爬坡预测中的类不平衡问题，提高风电爬坡事件预测的准确度是一个值得深入研究的问题。1.3风电爬坡事件控制研究现状许多国家和地区提出相应的并网导则，限制风电并网有功功率爬坡率[33,51]。因此，需在爬坡预测的基础上选取合适的控制策略对爬坡进行控制，降低爬坡对电网的影响。文献[33]根据是否有储能参与，将爬坡控制方法分为两类进行分析，包括无储能参与的只对风机、风电场群控制的有限度控制策略，以及有储能的风储联合控制策略。其中，无储能参与时的有限度控制策略可分为分段控制、协调控制等；而利用储能可以快速有效地平抑风电波动，降低爬坡影响。文献[52]采用混合储能系统辅助爬坡控制，改善风电场的输出功率；控制算法主要包含滤波控制和模型预测控制[53]。其中，模型预测控制能应对风电不确定性的影响，具有较强的抗干扰性和适应性等优势；但其计算量较大、耗时较长。并且，在风储联合控制中，如何协调技术性目标和经济性目标将是有待继续研究的问题。文献[54]提出了一种考虑热电联产机组对风力发电斜坡事件动态响应的区域能源系统建模与优化运行策略，经过EES平滑处理后，热电联产机组实现了对风电爬坡事件的动态响应。文献[55]提出了一种带闪变抑制的直接并网风力机功率爬坡率的最优控制策略，对抑制闪变、功率爬坡率控制和系统额数降低方面有显著改善。文献[56]构建了风电场和储能系统的控制框架。在该框架下，通过储能系统的充放电补偿风电功率的变化，以满足风电匝道控制的需求。储能系统通过响应频率偏差信号来抑制频率偏差。因此，所提出的控制策略可以保证储能系统有效参与频率调节，同时缓解风电爬坡事件。图1-5多任务学习深度神经网络[56]此外，文献[33]还进一步指出了未来的几个重要研究内容，如在长时间尺度、复杂运行工况下保持良好效果的控制策略研究等。在风电爬坡事件的预测系统开发研究中，AWSTruewind公司开发了一套风功率爬坡事件预报系统，并被应用至德克萨斯州的电网，对未来0至6小时内的爬坡事件进行预报[28]。而国内对于风电爬坡事件预测系统的开发较为欠缺。参考文献[1] LIL,LIUD,LIUJ,etal.QualityPredictionandControlofAssemblyandWeldingProcessforShipGroupProductBasedonDigitalTwin[J].Scanning,2020,5(1):1-13.[2] SHENY,LENGJ,WANGC.OntheHeterogeneousMicrostructureDevelopmentintheWeldedJointof12MnNiVRPressureVesselSteelSubjectedtoHighHeatInputElectrogasWelding[J].JournalofMaterialsScience&Technology,2019,35(8):1747-1752.[3] 许志祥.大线能量焊接用钢双丝气电立焊研究[D].上海:上海交通大学,2012:2-6.[4] PARKJ,ANG,WOOWC,etal.ComparisonofMeasuredResidualStressDistributionsinExtra-ThickButtWeldsJoinedbyOne-PassEGWandMultipassFCAW[J].AdvancesinMechanicalEngineering,2014,6(8):9-20.[5] SASAKIK,SUDAK,MOTOMATSUR,etal.DevelopmentofTwo-ElectrodeElectrogasArcWeldingProcess[J].NipponSteelTechnicalReport,2004,2(90):67-74.[6] 许小平.船舶气电立焊工艺与参数控制[J].电焊机,2010,40(1):83-85.[7] 何国中,邓志强,胡顺克.气电立焊焊接工艺要素及施工注意事项[J].中国修船,2016,29(5):20-22.[8] 张怡典,奚泉.气电立焊技术在散货船生产中的应用[J].造船技术,2010,45(6):38-39.[9] 梁国俐.垂直气电立焊EH36船板钢接头力学性能分析[J].热加工工艺,2016,45(1):215-216.[10] 吕冬,翟晓莉,韩鹏,等.新型EH36高强船板钢的气电立焊试验研究[J].焊接,2007,5(5):91-93.[11] 端传宝,王欢,岑越,等.EH40船用高强钢双丝气电立焊接头组织与性能[J].热加工工艺,2014,43(17):203-205.[12] 陈浮,黄治军,朱丛茂,等.EH36W50钢的气电立焊试验研究[J].武汉工程职业技术学院学报,2013,25(3):18-20.[13] SEOK,RYOOH,KIMHJ,etal.LocalVariationofImpactToughnessinTandemElectro-gasWeldedJoint[J].WeldingintheWorld,2020,64(3):457-465.[14] YIJ,NIUB,GAOW,etal.HeterogeneousMicrostructureandCorrosionResistanceoftheEH36SteelJoinedbyVerticalElectro-GasWelding[J].InternationalJournalofElectrochemicalScience,2020,15(3):2822-2838.[15] LIUW,PANH,LIL,etal.CorrosionBehavioroftheHighStrengthLowAlloySteelJoinedbyVerticalElectro-gasWeldingandSubmergedArcWeldingMethods[J].JournalofManufacturingProcesses,2017,25(7):418-425.[16] 王刚,李景波,沙玉章,等.气电立焊熔深形成过程分析[J].焊接技术,2002,31(5):8-9.[17] 沈志根,许志祥,余滋朴.EH40钢双丝垂直气电自动焊工艺[J].金属加工(热加工),2014,3(12):49-51.[18] 许志祥,边东成,孟云芳,等.EH36级船用高强度钢双丝气电立焊工艺[J].热加工工艺,2013,42(5):216-218.[19] SCHWINNV,BAUERJ,FLÜSSP,etal.RecentDevelopmentsandApplicationsofTMCPSteelPlates[J].RevueDeMétallurgie,2011,108(5):283-294.[20] WATANABEM,SATOHK.EffectofWeldingConditionsontheTransverseShrinkageDistortionofBead-onPlates[J].JournaloftheJapanWeldingSociety,1956,25(4):211-216.[21] LIANGW,DENGD,SONES,etal.PredictionofWeldingDistortionbyElasticFiniteElementAnalysisUsingInherentDeformationEstimatedThroughInverseAnalysis[J].WeldingintheWorld,2005,49(11):30-39.[22] PARKJ,ANG,WOOWC,etal.ResidualStressMeasurementinanExtraThickMulti-passWeldUsingInitialStressIntegratedInherentStrainMethod[J].MarineStructures,2014,39(7):424-437.[23] MURAKAWAH,DENGD,MAN,etal.ApplicationsofInherentStrainandInterfaceElementtoSimulationofWeldingDeformationinThinPlateStructures[J].ComputationalMaterialsScience,2012,51(1):43-52.[24] SULAIMANMS,MANURUNGYH,HARUMANE,etal.SimulationandExperimentalStudyonDistortionofButtandT-jointsUsingWeldPlanner[J].JournalofMechanicalScienceandTechnology,2011,25(10):2641-2646.[25] CHENBQ,HASHEMZADEHM,GUEDESSOARESC.NumericalandExperimentalStudiesonTemperatureandDistortionPatternsinButt-WeldedPlates[J].TheInternationalJournalofAdvancedManufacturingTechnology,2014,72(5):1121-1131.[26] DENGD,LIUX,HEJ,etal.InvestigatingtheInfluenceofExternalRestraintonWeldingDistortioninThin-PlateBead-onJointbyMeansofNumericalSimulationandExperiment[J].TheInternationalJournalofAdvancedManufacturingTechnology,2016,82(5):1049-1062.[27] ADAKM,GUEDESSOARESC.EffectsofDifferentRestraintsontheWeld-InducedResidualDeformationsandStressesinaSteelPlate[J].InternationalJournalofAdvancedManufacturingTechnology,2014,71(1):699-710.[28] HEINZEC,SCHWENKC,RETHMEIERM.InfluencesofMeshDensityandTransformationBehaviorontheResultQualityofNumericalCalculationofWelding