基于SSA-ELM的超短期风功率预测及其并网调度
发布时间：2021-09-28 20:07
我国地域辽阔,风能资源丰富,多风带地区大约占全国总面积的三分之二,若充分利用风力资源将对社会的经济发展和人们的生存生活产生重要的影响。由于风速随机性大、波动性和间歇性较强的特点,容易对电网的安全和稳定运行造成巨大的影响。风速过大直接影响风电穿越功率较大时,将严重影响电力系统的安全。在实际风电并网与电力系统调度中,可靠的风电功率预测既可降低风电波动性对经济性的影响,又能保证风电接入后电力系统运行的安全性和稳定性。本文基于上述背景,分别从提高超短期风功率预测精度和考虑风电功率预测误差的电力系统经济优化调度两方面进行研究分析,主要包括以下内容:（1）论文从时间尺度和预测方法上对风功率预测进行划分,确定采用启发式算法优化极限学习机的方法预测超短期的风功率。从密度公式、物理角度等方面对影响风电输出功率的因素进行分析,最终确定以风速、风向、温度以及密度作为预测超短期风功率的主要影响特征。（2）模拟樽海鞘群觅食行为,利用樽海鞘群算法在迭代过程中可对参数寻优的特点,优化极限学习机的输入权值矩阵及隐含层偏差值,从而提高预测模型的适应性和准确性。分别采用樽海鞘群优化极限学习机（SSA-ELM）和粒子群优化...
【文章来源】：华北水利水电大学河南省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
风能玫瑰图
2风功率预测影响因素及评价指标13图2-2RMSE变化图Fig.2-2GraphofRMSERMSE是为了说明样本的离散程度，即做非线性拟合时，RMSE的值越小越好。因此，在风电预测过程中，风功率预测值与影响因素以及实际值之间是非线性关系，采用RMSE可以有效的体现预测的可靠性。2.3.3平均绝对误差平均绝对误差（MeanAbsoluteError，MAE），表示实际值与预测值之间绝对误差的平均值，如下表示：MAE=1∑||=1(2-7)图2-3MAE变化图Fig.2-3GraphofMAE
2风功率预测影响因素及评价指标13图2-2RMSE变化图Fig.2-2GraphofRMSERMSE是为了说明样本的离散程度，即做非线性拟合时，RMSE的值越小越好。因此，在风电预测过程中，风功率预测值与影响因素以及实际值之间是非线性关系，采用RMSE可以有效的体现预测的可靠性。2.3.3平均绝对误差平均绝对误差（MeanAbsoluteError，MAE），表示实际值与预测值之间绝对误差的平均值，如下表示：MAE=1∑||=1(2-7)图2-3MAE变化图Fig.2-3GraphofMAE
【参考文献】：
期刊论文
[1]基于IBA-KELM的风电功率区间预测方法[J]. 林涛,蔡睿琪,张丽,杨欣,刘刚,廖文喆. 可再生能源. 2018(07)
[2]基于EEMD-HS-SVM的短期风功率组合预测模型[J]. 姬广龙,袁越,黄俊辉,关志坚,吴涵,杨苏. 可再生能源. 2017(08)
[3]基于并行相关向量机的多步预测方法研究[J]. 韩中合,周沛,苑一鸣. 电网与清洁能源. 2017(02)
[4]基于相似日和风速连续性的风电场短期功率预测[J]. 倪鹏,孙富荣. 山东电力技术. 2016(11)
[5]采用正则化极限学习机的短期风速预测[J]. 袁翀,戚佳金,王文霞,黄南天. 电网与清洁能源. 2016(11)
[6]基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 杨锡运,关文渊,刘玉奇,肖运启. 中国电机工程学报. 2015(S1)
[7]基于小波分解和极限学习机的短期风速组合预测研究[J]. 汪小明,肖猛,杨楠,尹笋. 可再生能源. 2015(08)
[8]基于混沌时间序列GA-VNN模型的超短期风功率多步预测[J]. 江岳春,张丙江,邢方方,张雨,王志刚. 电网技术. 2015(08)
[9]基于卡尔曼滤波的风速序列短期预测方法[J]. 修春波,任晓,李艳晴,刘明凤. 电工技术学报. 2014(02)
[10]风电功率预测误差分析及预测误差评价方法[J]. 孟岩峰,胡书举,邓雅,许洪华. 电力建设. 2013(07)
博士论文
[1]风电功率预测不确定性及电力系统经济调度[D]. 阎洁.华北电力大学(北京) 2016
[2]风储系统优化配置及并网后相关运行方案研究[D]. 谢应昭.重庆大学 2015
[3]适合风电接入电力系统的中短期发电调度模型与方法[D]. 夏澍.华北电力大学 2014
硕士论文
[1]基于实测数据的风电场风速和风功率预测研究[D]. 秦本双.东北电力大学 2018
[2]含风电场的电力系统优化调度研究[D]. 杨岚沛.郑州大学 2018
[3]基于经验模式分解与智能优化算法的BPNN模型在短期风速预测中的应用研究[D]. 王雨歆.东北财经大学 2017
[4]基于历史气象数据的风电场风速和风功率预测研究[D]. 袁翀.东北电力大学 2017
[5]风电场短期功率组合预测方法和评价研究[D]. 王帅.华北电力大学 2017
[6]基于BP神经网络与WRF模式的风电功率预测系统设计与应用[D]. 张贺民.中国科学院大学(中国科学院工程管理与信息技术学院) 2017
[7]基于极限学习机的风电功率预测技术[D]. 盛楠.上海电机学院 2017
[8]基于风电功率预测的含风场电力系统经济调度的研究[D]. 杨文斌.哈尔滨工业大学 2017
[9]基于NWP和改进BP神经网络的风电功率预测研究[D]. 赵龙.北京交通大学 2015
本文编号：3412483
【文章来源】：华北水利水电大学河南省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
风能玫瑰图
2风功率预测影响因素及评价指标13图2-2RMSE变化图Fig.2-2GraphofRMSERMSE是为了说明样本的离散程度，即做非线性拟合时，RMSE的值越小越好。因此，在风电预测过程中，风功率预测值与影响因素以及实际值之间是非线性关系，采用RMSE可以有效的体现预测的可靠性。2.3.3平均绝对误差平均绝对误差（MeanAbsoluteError，MAE），表示实际值与预测值之间绝对误差的平均值，如下表示：MAE=1∑||=1(2-7)图2-3MAE变化图Fig.2-3GraphofMAE
2风功率预测影响因素及评价指标13图2-2RMSE变化图Fig.2-2GraphofRMSERMSE是为了说明样本的离散程度，即做非线性拟合时，RMSE的值越小越好。因此，在风电预测过程中，风功率预测值与影响因素以及实际值之间是非线性关系，采用RMSE可以有效的体现预测的可靠性。2.3.3平均绝对误差平均绝对误差（MeanAbsoluteError，MAE），表示实际值与预测值之间绝对误差的平均值，如下表示：MAE=1∑||=1(2-7)图2-3MAE变化图Fig.2-3GraphofMAE
【参考文献】：
期刊论文
[1]基于IBA-KELM的风电功率区间预测方法[J]. 林涛,蔡睿琪,张丽,杨欣,刘刚,廖文喆. 可再生能源. 2018(07)
[2]基于EEMD-HS-SVM的短期风功率组合预测模型[J]. 姬广龙,袁越,黄俊辉,关志坚,吴涵,杨苏. 可再生能源. 2017(08)
[3]基于并行相关向量机的多步预测方法研究[J]. 韩中合,周沛,苑一鸣. 电网与清洁能源. 2017(02)
[4]基于相似日和风速连续性的风电场短期功率预测[J]. 倪鹏,孙富荣. 山东电力技术. 2016(11)
[5]采用正则化极限学习机的短期风速预测[J]. 袁翀,戚佳金,王文霞,黄南天. 电网与清洁能源. 2016(11)
[6]基于粒子群优化的核极限学习机模型的风电功率区间预测方法[J]. 杨锡运,关文渊,刘玉奇,肖运启. 中国电机工程学报. 2015(S1)
[7]基于小波分解和极限学习机的短期风速组合预测研究[J]. 汪小明,肖猛,杨楠,尹笋. 可再生能源. 2015(08)
[8]基于混沌时间序列GA-VNN模型的超短期风功率多步预测[J]. 江岳春,张丙江,邢方方,张雨,王志刚. 电网技术. 2015(08)
[9]基于卡尔曼滤波的风速序列短期预测方法[J]. 修春波,任晓,李艳晴,刘明凤. 电工技术学报. 2014(02)
[10]风电功率预测误差分析及预测误差评价方法[J]. 孟岩峰,胡书举,邓雅,许洪华. 电力建设. 2013(07)
博士论文
[1]风电功率预测不确定性及电力系统经济调度[D]. 阎洁.华北电力大学(北京) 2016
[2]风储系统优化配置及并网后相关运行方案研究[D]. 谢应昭.重庆大学 2015
[3]适合风电接入电力系统的中短期发电调度模型与方法[D]. 夏澍.华北电力大学 2014
硕士论文
[1]基于实测数据的风电场风速和风功率预测研究[D]. 秦本双.东北电力大学 2018
[2]含风电场的电力系统优化调度研究[D]. 杨岚沛.郑州大学 2018
[3]基于经验模式分解与智能优化算法的BPNN模型在短期风速预测中的应用研究[D]. 王雨歆.东北财经大学 2017
[4]基于历史气象数据的风电场风速和风功率预测研究[D]. 袁翀.东北电力大学 2017
[5]风电场短期功率组合预测方法和评价研究[D]. 王帅.华北电力大学 2017
[6]基于BP神经网络与WRF模式的风电功率预测系统设计与应用[D]. 张贺民.中国科学院大学(中国科学院工程管理与信息技术学院) 2017
[7]基于极限学习机的风电功率预测技术[D]. 盛楠.上海电机学院 2017
[8]基于风电功率预测的含风场电力系统经济调度的研究[D]. 杨文斌.哈尔滨工业大学 2017
[9]基于NWP和改进BP神经网络的风电功率预测研究[D]. 赵龙.北京交通大学 2015
本文编号：3412483
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3412483.html
