摘 要

风能作为一种可再生新能源，因其在环保方面优于化石燃料的特点，在全世界范围内都得到了高度重视。我国在风力发电领域的发展越来越迅速，但由于风能本身存在的波动性，会对其并入电网产生影响，大型风电场需要控制其输入电网的功率。大数据技术为风电场的信息化发展带来了新的可能。在此背景下，本文在大数据应用于风电场数据处理、风速及风功率预测及大型风电场的优化控制方面进行了研究。主要内容有：

在了解大数据相关知识的基础上，基于大数据平台Hadoop，构建了风电场的数据处理的技术架构，涵盖了从数据生成到数据分析的风电场数据生命周期，为电力企业的大数据处理平台搭建提供了重要参考依据。

在获得大量风电场数据的基础上，基于NAR神经网络模型运用BP算法进行了风速预测以及基于极限学习机进行风功率预测，并运用自相关性及误差分析等方法验证了预测模型的可靠性。

在对大型风电场的特点及运行特性研究的基础上，对大型风电场提出了最大功率点跟踪策略及风功率全程可调策略的优化策略。关于大型风电场的优化调度问题给出了优化控制的目标函数，并采用粒子群优化算法进行求解。

关键词：大数据；风速预测；风电场功率预测；粒子群优化算法；优化控制

Abstract

As a renewable new energy source, wind energy is highly valued in the world because it is superior to fossil fuels in terms of environmental protection. Our country is developing more and more rapidly in the field of wind power. However, due to the volatility of wind energy, it will have a bad influence on its integration into the power grid. Large-scale wind farms need to control the power input to the grid. Big data technology has brought new possibilities for the informatization development of wind farms. In this context, this paper studies the application of big data in wind farm data processing, wind speed and wind power forecasting, and optimization control of large-scale wind farms. The main contents are:

After understanding the basics of big data. Based on the big data processing platform Hadoop, the data processing technology framework of the wind farm is constructed, covering the wind farm data life cycle from data generation to data analysis, which provides an important reference for the power enterprise's big data processing platform.

On the basis of obtaining a large amount of wind farm data. Based on NAR neural network model, BP algorithm was used to forecast wind speed. Then the wind power prediction model based on Extreme Learning Machine is established. And using autocorrelation and error analysis methods to verify the reliability of the prediction model.

After studying the characteristics and operating characteristics of large-scale wind farms. The Maximum Power Point Tracking strategy and the optimization strategy of the entire wind power adjustable strategy are proposed for wind farms. For the optimal control problem of large-scale wind farms, the objective function of the optimal control is given and the Particle Swarm Optimization algorithm is used to solve the problem.

Key Words：Big data；wind speed prediction；wind power prediction；Particle Swarm Optimization；optimal control

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究背景 1

1.2 研究目的及意义 2

1.3 国内外研究现状 3

1.3.1 风速及风电功率预测研究现状 3

1.3.2 风电场优化控制研究现状 4

1.3.3 大数据应用于风电场的研究现状 5

1.4 本文主要研究内容 6

第2章 风电场数据处理技术架构 7

2.1 大数据的特点 7

2.2 大数据处理平台Hadoop 8

2.3 风电场数据处理技术架构 8

2.3.1 数据生成和采集 9

2.3.2 数据存储和处理 10

2.3.3 数据查询和分析 11

2.4 本章小结 12

第3章 风速及风功率数据处理及预测 13

3.1 风电场数据预处理 13

3.2 基于NAR神经网络模型的风速预测 14

3.2.1 NAR神经网络的介绍 14

3.2.2 运用BP算法训练NAR神经网络预测模型 16

3.3 基于极限学习机的风功率预测 20

3.4 本章小结 22

第4章 大型风电场运行特性及优化控制 23

4.1 大型风电场的特点及运行特性 23

4.2 大型风电场的优化控制策略 23

4.3 大型风电场的优化控制目标函数 26

4.4 基于粒子群优化算法的风电场优化控制 28

4.4.1 粒子群优化算法 28

4.4.2 大型风电场的优化控制问题求解 30

4.5 本章小结 32

第5章 环境影响及经济性分析 33

5.1 环境影响 33

5.2 经济性分析 33

第6章 总结与展望 36

6.1 全文总结 36

6.2 课题研究展望 36

参考文献 38

致 谢 40

附 录A 风速预测代码 41

附 录B 风功率预测代码 42

第1章 绪论

1.1 研究背景

化石燃料的大量使用会导致全球变暖，危及生态系统的平衡及人类的生存。为阻止全球变暖的趋势，多个国家采用清洁能源代替化石燃料。由于风能可再生，且不会对环境产生污染，风能的利用在全世界范围内都得到了高度重视。风力发电技术在近年来也得到了高速发展。

根据全球风能协会（Global Wind Energy Council，GWEC）发布的报告《2017年全球风电行业现状年度报告》（GWEC Global Wind 2017 Report），2017年全球新增了装机量超过52GW的风电设备，全球累计总装机容量达到539GW以上^[1]。图1.1和表1.1展示了2017年全球范围内风电机组新增装机量前十的国家。中国2017年新增装机容量约19.7GW，较上年低了15.9%，虽然中国的风电行业发展的增长步伐正逐步减慢，但中国仍然有着全球最大的风力市场。印度和欧盟去年的风力发电机组装机容量都创下历史纪录高点，分别新增了超过4GW和15.6GW，不过GWEC预计在今年的过渡期增速将会减慢。风力发电是一个日渐成熟的产业，在化石燃料转型中处于领先地位，陆上和海上风电都是确定可持续能源未来的关键。到2017年底，全球的风电总产能与2016年相比增长了11％。关于未来风电行业的发展趋势，GWEC认为将在2019年恢复之前大幅度增长的势头，到2022年预计累计产能将达到84万千瓦。在全球市场中，风电的价格也越来越具有竞争性。摩洛哥、印度、墨西哥和加拿大等国的市场价格在0.03美元/千瓦时左右，甚至有低于0.02美元/千瓦时的。与此同时，在德国和荷兰海上风电的招标中首次进行了无需补贴的投标，将有接近2GW的海上风电容量招标不超过电力批发价格。

图1.1 2017年全球风电机组新增装机量

表1.1 2017年全球新增风电装机量前十

根据国家能源局和国家统计局公布的数据^[2]，2018年2月风电全国发电量为303亿千瓦时，同比增长31.2%，而截止目前累计同比增长更是达到了40.1%，远远超过了水电的5.9%、火电的9.8%、核电的17.9%以及全国发电量的11.0%。另外全国发电设备累计平均利用小时数据中，风电截止2月累计同比增长83%，更是远远高于水电的14%、火电的51%及核电的-19%。

1.2 研究目的及意义

在研究与风电发展相关的许多问题时，风速被认为是关键因素，这是由于风力发电存在风速连续波动的问题，这使得将在配电网络中注入的功率难以预测，也会对电力系统运行调度造成困难。因此，分析风速数据并进行风速和功率预测，为风电场提供适当的发电量估算方案对于风电场的管理非常重要。一般来说，在风电场中，生产能力是根据风电场风力机的输入风速来预测估算的。换句话说，理想情况下，风电场位于某个区域，风速可能更大，这是可以预测的。风速情况的分析通常可以通过传感器等测量设备或通过一些开放数据源收集的数据来进行。

当前风电场的发展存在一些制约因素，例如由于风本身存在波动性，风力发电的不稳定会对电力系统实施调度造成压力，电网需要不断地调整，进而会降低系统的供电质量，并且不能保证稳定运行。另外，风速和风电功率不能准确预测，也会增加调度和控制的难度。因而，风电场需要具备一定的自我调节能力，减轻对电力系统调度和运行的压力^[3]。针对这些问题，当前有一些风电场采用的是“弃风”的方式，即风量很充足，风机也可以正常运转，但总发电量会超出当地电网消纳能力，导致部分风电场的风机不得不暂停。这样虽然可以通过简便的方法达到控制输出的目的，但也会对风能造成浪费。风能资源本身就存在地域差异的特点，我国的风能分布相对比较集中，由于种种原因，风电场大多建在用电需求较小的偏远地区，本地消纳能力较弱，电网强度也较弱，由于风电场的发展和电网技术发展不统一，某些地区“弃风”现象较严重，电力需求高的地区往往不适宜建设风电场，限制了风电的规模化发展。

为了缓解上述问题，更好地促进风电产业的发展，协调大规模新能源例如大型风电场与传统电网有效融合，需要对风速和风功率的预测更加准确，提高预测精度以消除不确定因素的影响，减轻有功功率平衡的负担，降低电网的调度压力。对风电场进行优化控制研究，不仅可为电网调度提供依据，降低风电场的“弃风率”，同时能降低大型风电场对电网的冲击，提高风电场运行的安全性。

1.3 国内外研究现状

1.3.1 风速及风电功率预测研究现状

风电功率的预测有两种途径，一种是利用历史的风电功率数据进行建模分析，进而可以计算获得风电功率的预测值，另一种是在风速预测结果的基础上，通过风速和风功率的关系进而得到风功率的预测值。因此风速和风功率的预测是有关联的，在研究时他们通常同时出现。现有的关于风电功率的预测模型主要分为物理模型和统计模型两类，物理模型是基于数值天气预报（NWP）的预测模型^[4]。丹麦及美国等在风电领域研究较早的国家，已经研发出多个以数值天气预报为输入的风电场功率物理模型预测系统。

全球第一个风电功率预测软件是由丹麦Risø可持续国家能源实验室的学者 LasLandberg和Troen开发的一套预测系统，这套系统主要思想是把数值天气预报提供的高空处的风速和风向数据信息转换为风电机组的轮毂高度处的风速和风向信息，然后根据风速-功率曲线得到风电场的功率输出，同时考虑地形因素变化的影响，并按照风电场的尾流效应对预测结果进行修正。

德国风能系统研究所（Institute for Wind Energy Systems，IWES）开发的风电功率预测系统，它可以对一个较大的区域内的风电功率进行预测。这套系统是以气象信息作为数值天气预报的数据来源，利用人工神经网络算法得到典型风电场的功率输出，然后利用另一个模型计算出风电场群注入到电网的总功率。

西班牙可再生能源中心（National Renewable Energy Center of Spain，CENER）与西班牙能源、环境和技术研究中心（Spanish Energy, Environment and Technology Research Center，CIEMAT）联合开发了一个用于风电功率预测的系统^[5]。该系统主要通过数值天气预报对风电场的复杂地形和天气因素进行模拟，再结合统计模型，通过对一个风电场风电功率的预测，进而预测一个区域内多个风电场的48小时内的风功率输出。另外还运用了统计学方法，降低预测误差。

美国某公司开发的eWind风功率预测系统，这套系统主要是通过多个模型对数值天气预报数据进行初始化进而得到高分辨率的中尺度模型，再与统计学模型相结合，利用统计学的方法预测与风电功率相关的天气数据，最后使用基于统计学的风电场输出功率模型得到预测的风电功率值。

以上都是根据天气因素或地形信息的数值天气预报数据作为输入进行物理预测的模型，数值天气预报的误差就是物理模型的主要误差来源，由于物理模型需要考虑地形因素的影响，这些复杂的地形信息收集和描述也是物理模型需要面对的难点。由于数值天气预报是复杂的数学模型，预测过程相对较慢，大多应用于较长的时间尺度上的预测，而统计模型在预测时需要的计算比较简单，所需时间较短，更适合针对短期预测。统计预测采用的方法是将风速及风电场其他相关数据构成历史数据集，在此基础上采用统计方法预测未来的风速及功率。

当前常见的统计预测方法有：时间序列法，包括自动回归模型（AR，Autoregressive Model）等，以风速及其他相关信息数据构成时间序列进行风速预测及风功率预测；卡尔曼滤波法（Kalman Filter），运用卡尔曼滤波算法建立统计模型^[6]；广义马尔克夫（Markov）模型，对60分钟时间步长的风速预测效果最佳；支持向量机（SVM）法，是一种有效先进的机器学习方法，基于结构风险最小化原则，具有较好的泛化能力^[7]。人工神经网络的方法，包括BP神经网络（BP-ANN，Back-Propagation Artificial Neural Network）、径向基网络等方法；灰色预测（Grey Prediction）模型和数据挖掘方法等。

1.3.2 风电场优化控制研究现状

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：