远海岸海上风电场的出力特性与集群效应研究文献综述

 2023-08-04 17:35:04
  1. 文献综述（或调研报告）：

能源是人类生存和发展的重要因素。在能源应用早期，以化石能源为主体的能源结构为人类社会的发展起到了关键性作用，现代社会和经济的高速发展与能源的大量应用是分不开的。但是，化石能源的大量开发和应用也给地球环境造成了严重的破坏。因此，随着社会经济和各项技术的不断发展，人们对环境品质的要求不断提高，改善生活环境成为各国关注的焦点，调整能源消费结构和控制污染已成为当前面临的急迫问题。

2014年11月，国务院发布《能源发展战略行动计划（2014-2020年）》[1]，提出要大力发展风电，计划到2020年风电装机达200GW。相对于火电等常规能源发电，风力发电环境友好、技术成熟、可靠性高、成本低且规模效益显著，是发展最快的新型能源[2-3]。同时，风电能源具有较强的随机性、波动性、难以预测性和可调度性等特点[4],并最终表现为发电功率在不同时间尺度上的波动，随着风电在电网中的渗透率逐渐升高，其功率波动带来的并网难题也日益显著。大规模风电并网将影响电网的安全稳定运行[5-9]。文献[10-13]指出风电的出力波动会对电网稳定带来不利影响，提出可以采用储能装置平抑风电的功率波动，以减小并网后对电网的影响。为了应对大规模风电并网下的电网分析和实际运行的需求，需要对风电出力特性（包括单一风电场的出力特性和风电集群的出力特性）进行分析，进一步掌握风电场的时空发电特性，为风电系统的规划和运行提供参考。

为了准确把握风电场出力波动性规律，国内外研究者对风电场出力波动性做了大量研究，也取得了丰硕成果。风电的出力波动随地形、气候及其自身规模等因素的影响而有所不同，文献[14]中列举了美国国家新能源实验室风能技术中心NREL通过对长期风电场出力实际监测数据的波动量、波动频率分布、空间差异影响性等分析，发现虽然风电出力具有波动性，但是风电出力波动量和波动变化率很少出现极值，也不是完全随机的，总是分布在一定范围内，同时表现出空间差异性。文献[15]分析了广东省风电场出力时序曲线和持续曲线，得到海上风电利用小时数明显高于陆上风电，同时，不同片区之间的相关性随着物理距离拉大而减小，并且呈现一定的反调峰特性。文献[16]基于GW级风电场群实测功率数据，分析了风电功率波动在不同时间、空间尺度上的分布特性，指出风电功率波动的时空分布具有一定的趋势性，且随着风电场群聚规模的增大，风电功率的波动特性呈现较明显的平缓效应。文献[17]指出由于空间分布效应使得风电机组和风电场由于地理位置分散呈现出的出力相关性，从而使广阔区域内的风电场出力具有互补效应。

在评估远海岸多风场集群特性指标方面，文献[16]中给出了风电出力波动时空特性分析量化指标，定量分析了风电出力波动不同时空下的分布特点。文献[18]针对风电出力的平滑效应建立了量化评估指标，研究了地理尺度和集群效应间的相关性。文献[19]用集群效应系数来表征不同规模范围的风电波动性规律，揭示了“单机-单个风电场-风电场群”输出功率呈现的集群效应，为大规模风电对电网调峰影响研究提供理论依据。文献[20]讨论了陆上风电和海上风电的波动性区别，指出海上风机之间由于相对集中，所以互关性更强。同时，比较、评价和分析单个风电场和区域风电场总体预测误差的关系，通过把握单个风电场和区域风电场总体预测误差的关系，修正风电场群总体的预测结果。台风对海上结构安全构成严重威胁，文献[21]进行了一系列的三维气象模拟，建立了经验修正率和比例因子，调整了经典幂律模型，以估算中国沿海水域的极端风速的垂直变化。

基于具体场景开展海上风电集群效应分析，建立远海岸海上风电场集群效应评估模型，对各类评估指标进行拟合，文献[22-23]研究了风电波动的概率模型，指出不同时间尺度下出力波动分别服从t分布，正态分布和logistic分布时的拟合效率，在不同时间尺度下，出力波动量的概率分布函数并不相同。文献[24-25]采用高斯分布对风电场的出力波动进行拟合，指出了风电场出力波动量与风电场规模的变化关系。文献[26]针对传统马尔科夫链-蒙特卡洛法存在的缺陷，提出一种基于粒子群优化的K-means MCMC风电时间序列建模新方法。在生成模拟序列过程中叠加高频波动分量,使模拟序列延续历史风电序列的波动特性。通过对比该方法和传统MCMC法分别生成的模拟风电出力序列以及历史风电功率序列，验证了所提方法的有效性和准确性。文献[27]对风电场异常数据进行分析与处理，为预测提供高质量的基础数据;同时，对大规模风电功率的时空变化规律进行了分析,进而从不同的层面,在时空相关性的框架下，以时空信息的合理化利用为核心原则，针对独立风电场、集群内风电场和集群提出了一系列风电功率短期时空预测方法。文献[28]采用聚类分析数据处理方法对气象风力发电数据进行预处理，基于历史数据建立模型样本，该模型具有与原始样本数据和预报日期相似的天气预报特征参数，以预报日期的NWP信息作为度量相似性的基础，为神经网络提取有效数据。与传统的连续模型相比，组合聚类数据处理方法将电功率预测提高了约12％。海上风电厂（OWPP）的可靠性评估是规划中的重要组成部分，有助于我们实现经济优化。文献[29]提出了一种分析方法，通过考虑环境对故障的影响来评估OWPP的可靠性，并通过保护区模型，等效功率单元模型和共因故障（CCF）分析来解决挑战。在对OWPP特性和相关故障机制进行研究的基础上，将组件分为三CCF子集。借助保护区模型和等效功率单元模型CCF合并，对故障收集器系统状态进行评估，以减轻计算负担。

此外，文献[30]基于copula理论建立了条件概率WPR预测（cp-WPRF）模型。通过考虑不同斜坡特征之间的耦合效应，分别预测每个WPR特征。采用高斯混合模型来表征WPR的不确定性和特征，用规范最大似然法估计多变量copula的参数，根据每个系族的贝叶斯信息准则选择最佳模型。最后，通过基于预测间隔的评估指标确定基于最佳条件的cp-WPRF模型。关于分布式风电场的大规模风能集群在电力系统中产生的有功功率分配和控制问题，文献[31]提出了一种基于动态有功功率分配的分层模型预测控制（HMPC）策略，以改善风电调度和增加风电适应性。该策略由四个具有精细时间尺度的层组成，包括日内调度，实时调度，集群优化和风电场调制层。专门开发了动态分组策略，在集群优化层中为风电场分配时间表。为了最大化风能输出，在风电场调制层开发了向下旋转的储备和传输路径利用。同时，提出了一种针对超短期风电预测误差的分层分析方法作为反馈修正，以提高预测的准确性。文献[32]以索维拉西部水域的海上风电场为例，研究了海上风电场的潜在风能和最佳布局。使用了遗传算法MPGA并结合了NASA的MERRA-2的风数据重新分析，在不损失风轮机最优布局时年度利润的情况下，提取了索维拉的海上风电场最大功率。文献[33]使用频率和持续时间技术，在电压源转换器的基础上，提出了高压直流电（VSC-HVDC）连接的海上风电场（WFs）的组合可靠性模型。考虑风速变化和WTG中断，使用改进的k-means聚类方法，建立了二维多状态WF模型，该模型中包括了不同WF之间的风速相关性。然后，将具有两个WF和一个三端VSC-HVDC系统的整个系统建模为多状态生成单元。

参考文献：

  1. 国务院办公厅. 能源发展战略行动计划(2014—2020年)[EB/OL]. (2014-11-20). http://news. xinhuanet.com /energy /2014-11/20/c_127231835.htm．
  2. 雷亚洲. 与风电并网相关的研究课题[J]. 电力系统自动化, 2003, 27(8): 84－89．
  3. BILLINTONR, CHEN H, GHAJAR R. A sequential simulation technique for adequacy evaluation of generating systems including wind energy[J]. IEEE Transactions on Energy Conversion, 1996, 11(4): 728-734.
  4. 张运洲, 白建华, 辛颂旭. 我国风电开发及消纳相关重大问题研究[J]. 能源技术经济, 2010, 22(01): 1-6.
  5. SFETSOS A. A comparison of various forecasting techniques applied to mean hourly wind speed time series[J]. Renewable Energy, 2000, 21(1): 23-35．
  6. HADJSAID N, CANARD J, Dumas F. Dispersed generation impact on distribution [J]. IEEE Computer Applications in Power, 1999, 12(2): 22-28.
  7. PUTTGEN H, MAC GREGORP, LAMBERT F. Distributed generation: semantic hype of the dawn of a new era[J]. IEEE Power and Energy Magazine, 2003, 1(1): 22-29．
  8. DRIESEN J, BELMANS R. Distributed generation: challenges and possible solutions[C]// In: 2006 IEEE Power Engineering Society General Meeting, Montreal. Canada: IEEE, 2006.
  9. 胡骅, 吴汕, 夏翔, 等. 考虑电压调整约束的多个分布式电源准入功率计算[J]. 中国电机工程学报, 2006, 26(19): 13-17.
  10. LISERRE M, TEODORESCU R, BLAABJERG F. Stability of photovoltaic and wind turbine grid-connected inverters for a large set of grid impedance values[J]. IEEE Transactions on Power Electronics, 2006, 21(1): 263-272.
  11. 艾欣, 韩晓男, 孙英云. 光伏发电并网及其相关技术发展现状与展望[J]. 现代电力, 2013, 30(1): 1-7.
  12. 于芃, 赵瑜, 周玮, 等.基于混合储能系统的平抑风电波动功率方法的研究[J]. 电力系统保护与控制, 2011, 39(24): 35-40.
  13. 李国杰, 唐志伟, 聂宏展, 等. 钒液流储能电池建模及其平抑风电波动研究[J]. 电力系统保护与控制, 2010, 38(22): 115-119, 125.
  14. YIH-HUEI W, DEMY B J. Short-term power fluctuations of large wind power plants[J]. The 2lst ASME Wind Energy Symposium, 2002.
  15. 樊扬, 林勇, 徐乾耀, 张宁, 等. 广东电网风电出力特性分析及其经济性评价[J]. 南方电网技术, 2012, 6(01): 8-12.
  16. 崔杨, 穆钢, 刘玉, 等. 风电功率波动的时空分布特性[J]. 电网技术, 2011, 35(2): 110-114.
  17. Han Y, Chang L C. A study of the reduction of the regional aggregated wind power forecast error by spatial smoothing effects in the Maritime Canada[C]// 2010 IEEE Electrical Power amp; Energy Conference. Halifax, NS, Canada: IEEE, 2010: 942-947.
  18. 刘燕华, 田茹, 张东英, 等. 风电出力平滑效应的分析与应用[J]. 电网技术, 2013, 37(4) : 987-991.
  19. 赵冰. 以调峰能力为约束的辽宁电网风电接纳能力研究[D]. 东北电力大学, 2010.
  20. SRENSEN P, CUTULULIS N A. Wind farmsrsquo; spatial distribution effect on power system reserves requirements[C]// ISIE 2010-IEEE International Symposium on Industrial Electronics. Bari, Italy: IEEE, 2010: 2505-2510.
  21. Liu Y, Li S, Chan P W, et al. Empirical Correction Ratio and Scale Factor to Project the Extreme Wind Speed Profile for Offshore Wind Energy Exploitation[J]. IEEE Transactions on Sustainable Energy, 2018, 9(3): 1030-1040.
  22. 林卫星, 文劲宇, 艾小猛, 等. 风电功率波动特性的概率分布研究[J]. 中国电机工程学报, 2012, 32(01): 38-46 20.
  23. 吴振威, 蒋小平, 马会萌, 等. 多时间尺度的光伏出力波动特性研究[J]. 现代电力, 2014, 31(01): 58-61.
  24. 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, 40(19): 7-13.
  25. 蔺红, 孙立成, 常喜强. 新疆风电出力波动特性的概率建模[J]. 电网技术, 2014, 38(06): 1616-1620.
  26. 黄越辉, 曲凯, 李驰, 司刚全. 基于K-means MCMC算法的中长期风电时间序列建模方法研究[J]. 电网技术, 2019, 43(07): 2469-2476.
  27. 赵永宁. 基于时空相关性的大规模风电功率短期预测方法研究[D]. 中国农业大学, 2019.
  28. Xu A, Yang T, Ji J, et al. Application of Cluster Analysis in Short-term Wind Power Forecasting Model[J]. The Journal of Engineering, 2019, 9:5423-5426.
  29. Wang B, Wang X, Wang X, et al. An Analytical Approach to Evaluate the Reliability of Offshore Wind Power Plants Considering Environmental Impact[J]. IEEE Transactions on Sustainable Energy, 2018, 9(1):249-260.
  30. Cui M, KRISHNAN V, HODGE B, et al. A Copula-Based Conditional Probabilistic Forecast Model for Wind Power Ramps[J]. IEEE Transactions on Smart Grid, 2019:10(4):3870-3882.
  31. Ye L, Zhang C, Tang Y, et al. Hierarchical Model Predictive Control Strategy Based on Dynamic Active Power Dispatch for Wind Power Cluster Integration[J]. IEEE Transactions on Power Systems, 2019, 34(6): 4617-4629.
  32. LAHLOU M F, LAHLOU F, ADDAIM A. A Novel Evaluation of Wind Energy Potential in Essaouira Offshore Wind Farm, using Genetic Algorithm and MERRA-2 Reanalysis Data[C]// 2019 5th International Conference on Optimization and Applications (ICOA), 2019: 1-6.
  33. Guo Y, Gao H, Wu Q, et al. A Combined Reliability Model of VSC-HVDC Connected Offshore Wind Farms Considering Wind Speed Correlation[J]. IEEE Transactions on Sustainable Energy, 2017, 8(4): 1637-1646.

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章