现阶段,全球经济发展对电力的需求急剧增长,由于全球传统化石能源储量有限及环保意识的逐步增强,风能、太阳能等可再生能源发电技术迅速成为能源界研究的热题。然而,风电和光伏发电等具有不可控性,并且大规模能源并网后会给电力系统的安全和调度带来了严峻的挑战。因此,对风电功率的预测精度和风电、光伏发电大规模并网下系统调度问题的研究显得尤为迫切。(1)针对风电功率预测前期 SCADA(supervisiory control and data acquision)数据的处理问题,在分析了国内外现有清洗技术的基础上,本文提出了一种新的基于数据驱动的数据清洗方法。传统的数据清洗方法多采用最优组内方差法,分别以区域内的最大值和最小值作为基准点,将与基准点偏差超过阈值的数据视为异常数据。该方法存在阈值难以确定的问题。一般采用人工反复试探的方法确定阈值,是这种阈值确定方法的方式效率低,通用性不强,科学性也值得商榷。针对上述问题,本文给出以下解决方案:首先,以风电场风机的实际运行数据为研究对象,借助Bin法拟合出一条实际功率曲线。然后,基于该功率曲线采用双向组内方差法进行数据清洗。改进后的方法不仅大大降低了数据辨识过程中对阈值的依赖,而且能实现异常数据的智能识别,避免了人工反复试探,降低了工作量。最后,结合郴州大冲风电场实际运行数据,验证本文提出的基于数据驱动清洗方法的有效性。(2)在完成数据清洗的基础上,提出了风速预测模型和功率预测模型相结合的短期风功率预测方法。该部分工作分步进行:首先,基于SCADA系统中的原始风速数据,构建风速时间序列预测模型。然后,基于清洗后的数据为研究对象,构建机组现实功率曲线模型。进而通过预测的风速找出机组现实功率曲线模型中对应的功率,得到机组预测功率。分步的优点是:降低“脏数据”对功率预测的干扰,以构建出高精度的风速与功率的映射模型。具体实现中,采用了主成分分析法对模型输入项进行选择,并借助网格法寻优、遗传寻优和粒子群寻优等方法对模型参数进行了优化选择,以保证预测精度。结合湖南郴州大冲风电场的实际运行数据,进行了实验的仿真和分析。(3)本文将短期功率预测结果应用到源荷调度系统。针对大规模风电并网中风电可用功率与系统自然负荷失配的问题,综合风电、光伏、火电等发电侧资源和电动汽车、可调节负荷等需求侧资源,提出了一种基于源荷协同的一体化调度模型。一方面,基于模糊约束理论,将风电和光伏出力的不可控性进行转换。另一方面,在优化目标中综合考虑发电和用电的成本,在约束条件中嵌入发电侧与用电侧互动机制,从而以较低的成本改善可再生能源出力与负荷的供需关系。用数字仿真测试了不同风电预测精度下电动汽车和需求响应参与程度对调度结果的影响。结果说明综合应用本文提出的风电功率预测方法和荷源协调调度方法既能促进负荷与风电、光伏出力的匹配,也能有效提升发用电经济性。