基于灰度联合算法的风电功率预测研究

发布时间：2017-12-18 12:21

  本文关键词：基于灰度联合算法的风电功率预测研究

  更多相关文章： 风电场出力预测 超短期功率预测 灰色关联度 支持向量机 联合预测模型

【摘要】：风力发电的不确定性和波动性给风电上网、与传统发电竞争带来了很大困难,风能的存储与风力发电的预测是两种有效的解决方案。因为其发电主要取决于风的因素,风的大小,方向等,风电功率可以通过对风力进行公式推算得出,因此,本文主要采取间接预测法,通过预测风力大小来预测风电场功率输出情况。风力发电预测目前主要依靠气象数据,本文提出了基于时间序列的历史风速数据的超短期预测方法,将我国某风力发电场作为研究对象,综合运用遗传算法、最小二乘支持向量机、灰色算法等多种算法,进行了基于历史数据的风力发电超短期功率预测,建立了遗传算法-最小二乘支持向量机模型(Genetic Algorithm-Least Squares Support Vector Machine,GA-LSSVM)和灰度算法-最小二乘支持向量机模型(Grey Model and Least Squares Support Vector Machine,GM-LSSVM)分别进行预测,这个过程得到了比较好的结果,分别比传统的神经网络优化算法提高了5%~8%。本文中,根据风电场出力不确定性高和波动性大的特点,将超短期风力预测看做是一个信息量不明确的灰度系统,运用灰度算法对其进行优化预测,结果与测试信号进行相减,得到残差,再对残差进行LSSVM预测,结果与GM预测结果相加,最后再输出预测结果。从而发明了GM-LSSVM组合算法。仿真结果表明,该方法与RBFNN和GA-LSSVM相比,精度得到提高。为了克服单一算法在不同风场,不同气候条件下适应性的问题,实现风电功率高效、平稳、准确的预测,充分发挥GA-LSSVM和GM-LSSVM的在风电场出力预测中的优势,提出了运用灰色关联度结合以上两种算法的组合算法。其MAPE较GA-LSSVM和GM-LSSVM降低了0.45%、0.2%左右。根据实验结果可以得到结论,灰度关联度联合算法可以有效的提高整体算法的适应度,并且精度有所提高,所以该方法可有有效的解决风电场出力预测算法的鲁棒性问题,提高电网运行的稳定性。研究结果表明灰度关联度联合算法,应用于风电场出力预测是可行的。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614

【参考文献】

中国期刊全文数据库 前10条

1 魏峻;;一种有效的支持向量机参数优化算法[J];计算机技术与发展;2015年12期

2 邱世崇;陆百川;马庆禄;邹巍;张勤;;基于时空特性分析和数据融合的交通流预测[J];武汉理工大学学报(信息与管理工程版);2015年02期

3 葛志鹏;李锐;张健;胡永恺;展凤萍;杨彬彬;;基于时间序列与GSVMR模型的短时交通量组合预测[J];长安大学学报(自然科学版);2015年S1期

4 尹东阳;盛义发;李永胜;谢曲天;;基于EMD和RBFNN的短期风速预测[J];电气技术;2014年06期

5 王贺;胡志坚;张翌晖;李晨;杨楠;王战胜;;基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测[J];电工技术学报;2014年04期

6 张彤;张敏芳;;基于灰色理论的设备状态趋势预测建模及应用研究[J];军械工程学院学报;2014年01期

7 孟安波;陈育成;;基于虚拟预测与小波包变换的风电功率组合预测[J];电力系统保护与控制;2014年03期

8 邬开俊;王铁君;;基于RBF神经网络优化的混沌时间序列预测[J];计算机工程;2013年10期

9 赵辉;李斌;李彪;岳有军;;基于小波变换的ARMA-LSSVM短期风速预测[J];中国电力;2012年04期

10 杜莉;张建军;;神经网络在电力负荷预测中的应用研究[J];计算机仿真;2011年10期

中国博士学位论文全文数据库 前3条

1 杨志凌;风电场功率短期预测方法优化的研究[D];华北电力大学（北京）;2011年

2 吴青;基于优化理论的支持向量机学习算法研究[D];西安电子科技大学;2009年

3 韩爽;风电场功率短期预测方法研究[D];华北电力大学（北京）;2008年

中国硕士学位论文全文数据库 前3条

1 朴金姬;神经网络算法在风电场功率预测中的应用研究[D];华北电力大学（北京）;2011年

2 丁朋;凸优化在大规模机器学习中的应用[D];华东理工大学;2011年

3 史洁;基于支持向量机的风电场功率短期预测方法研究[D];华北电力大学（北京）;2009年

，

本文编号：1304143