基于改进PSO-LS-SVM的风电功率预测

发布时间：2020-04-11 22:40

【摘要】：近年来,随着新能源产业的快速发展,风电场的规模也在日益扩大。由于风电输出具有不确定性,风电的大规模接入将导致电网的稳定性和安全性受到威胁。若能提高风电功率预测的精度,可有效降低电力调度的难度,间接地保障了电网的安全和稳定。针对风电输出功率具有波动性、间歇性和随机性的特点,本文提出基于改进粒子群优化最小二乘支持向量机的风电功率预测模型,并从以下方面展开研究:(1)粒子群算法的改进。分析基础粒子群算法的基本原理和优化过程,参考粒子群算法的改进方向,由于种群多样性减少而陷入局部最优的缺点,提出惯性权重的自适应调节和变异操作两种方式相结合的改进策略,以提高粒子群的收敛速度和精确度;选用六种测试函数对改进前后的粒子群算法进行测试,分析比较算法收敛速度和精度。(2)构建基于粒子群算法优化向量机的风电功率预测模型。针对历史风电数据和风速数据规模大、非线性的特点提出以支持向量机为预测模型的风电功率预测方法;针对向量机参数选择困难的问题,提出用粒子群算法对向量机参数进行优化选择;利用优化后参数构建基于粒子群的向量机风电功率预测模型。(3)构建基于粒子群优化最小二乘支持向量机的风电功率预测模型。针对向量机在进行风电功率预测时,需解决的二次规划和不等式约束,导致运算复杂度过高、训练时间过长的缺陷,提出了基于最小二乘向量机作为风电预测模型的改进策略;针对最小二乘向量机参数选择困难,经验法很难获得合适参数的问题,提出了利用粒子群对参数进行优化选择;构建基于粒子群优化最小二乘支持向量机的风电功率预测模型,通过对样本的训练过程和结果分析验证模型改进后的优越性。(4)构建基于改进粒子群优化最小二乘支持向量机的风电功率预测模型。针对粒子群在优化最小二乘支持向量机参数时,易陷入局部最优从而无法获得最优参数的问题,提出利用改进粒子群优化最小二乘支持向量机的模型参数策略;利用优化后的参数构建基于改进粒子群优化最小二乘向量机的风电功率预测模型;通过各模型对历史风电输出功率和风速数据的训练预测结果分析,得出基于改进粒子群优化最小二乘支持向量机的风电功率预测模型预测速度更快、精度更高、系统性能更强。
【图文】：

装机容量,风力发电机组,风力,全球

新疆大学硕士学位论文第 1 章绪论研究背景及意义1.1.1 研究背景风能作为化石燃料的替代能源，与不可再生能源相比，具有储量丰富、可再、分布广泛、清洁、发电过程中不产生温室气体排放、不耗水、占地面积小等点，对环境的影响较小。根据世界风能协会（World Wind Energy Association.WEA）近期发布的初步统计数据显示[1]，到 2018 年底，全球安装的所有风力涡机的总容量达到了 6000 亿瓦。2017 年全球的新增装机容量就已经达到了 52552瓦，，而 2018 年比 2017 年有所增长达到了 53900 兆瓦，2013-2018 年的全球风新增装机总量如图 1-1 所示。

电装,再生能源,风电,风力发电

新疆大学硕士学位论文再生能源制定前进方向，更好实现能源 100%再生利用总目标。风力发电作为再生能源，环保且价格低廉，众多国家大力发展风力发电不仅可以为本国社会来了巨大的好处而且可以通过巴黎协定惠及全世界[3]。美国拥有全球第二大风电市场，在可再生能源发展技术上进展迅猛，美国源信息署发布消息预计2019年美国将会有11GW的风电机组投入运营，并且20年还会增加 8GW，这也预示着风力发电在美国全年总发电的比例会增加到 9%比 2018 年增加 2 个百分点[4]。中国拥有世界最大的风电市场，风能技术运用已十分成熟，风能也得到大模开发[5]。去年中国新增装机容量 2059 亿瓦，是世界上第一个风电装机容量超2000 亿瓦的国家。自 2005 年起，中国的风电装机量增速较快，总量屡创新高如图 1-2 所示。
【学位授予单位】：新疆大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM315;TP18

【相似文献】