基于组合模型的风电超短期功率预测
发布时间：2021-12-16 13:12
由于化石能源的污染性以及不可再生性,新能源发电受到了巨大的关注。风能来源广泛,资源丰富,工程技术成熟,因此得到了迅速发展。但由于风力具有间歇性和波动性,给电网的稳定运行带来了巨大的挑战。因此,对风力发电进行实时有效的预测,对风电的发展以及电网的稳定运行都显得十分重要。本文对风电预测做了以下研究:首先,从风电场原始数据角度切入,分析了风力发电的基本特性,针对风电数据中存在大量异常数据,提出了基于离群点检测算法（Local Outlier Factor,LOF）的异常数据清理方法,使清理后的数据更加可靠并符合实际。其次,基于风电数据的非线性特点,采用了最小二乘支持向量机（Least Squares Wavelet Support Vector Machine,LSSVM）作为预测方法。通过改进的经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）对原始数据进行分解,降低了原始数据中的噪声,并且减少了预测时间,提高了预测精度。最后,针对最小二乘支持向量机模型对风电功率中非平稳分量处理能力有限,本文提出了一种提出一种基于LSS...
【文章来源】：燕山大学河北省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
我国近10年能源消耗分布
燕山大学工程硕士学位论文2我国风能资源丰富，仅在陆地70m以上的技术可开发量就有26亿kW[2]。风力发电对环境保护有着重要意义，并且风电场建设周期短，其建设成本也在逐年下降，风电场的建设地要求较低，可以在海上、戈壁等地建设风电常且如今风电技术已经较为成熟。我国风电发展十分迅速，装机容量每年都有着大量提升，从2008年到2014年，每年增长达到了近40%，今年增速有所放缓，但是依然保持着高速增长。截止到2018年底，中国风电装机量已经达到18426万kW。其增长如图1-2所示。2019年全国风电发电量已经到达4057亿kWh，其中中东部和南方占比45%，“三北”地区大约占比55%[3]。图1-2我国近十年风电装机量1.1.2研究意义风能已经成为我国电力生产的重要组成部分，风电将在能源占比上越来越高。风能发电有着环保，可再生等优点，但是也带了许多问题，主要体现在以下几点[4-6]。(1)由于风能本身的特性，导致风电的间歇性与波动性比较强，当电网接入这种不稳定的电能时，会对电网本身的稳定性与电能质量产生一定影响。(2)风能具有季节性，在春、秋和冬季风能较为丰富，但是在用电高峰的夏天，风能较为贫乏，这样导致在需要发电时，发电量不足，但是在发电量充足时，因为风电不能大量储存导致“弃风”现象普遍发生。(3)发电与用电的协调问题。我国风力发电主要集中在“三北”区域，但我国经济和人口主要集中在沿海地区，因此跨区域送电成为了一个问题。
第2章风电场数据预处理11图2-1理论风速-功率图2.2风电异常数据2.2.1风电异常数据分类风电场由于传感器的安装位置处于开放甚至严酷的环境中，因此传感器会产生不准确的数据；另一方面，由于风机故障检修或者弃风，也会产生不良数据。直接采用原始数据进行预测或者进行功率曲线建模，将会影响预测精度。因此，通过对原始数据进行数据预处理，会提高原始数据的可靠性[46]。图2-2是某风电机组的风速-功率图，根据图像，可以将异常数据分为常数数据，越限数据，离群点数据[47-48]。图2-2某风机实际风速-功率图(1)常数数据，用C表示。
【参考文献】：
期刊论文
[1]基于PSO-SVM的电网调度电厂耗煤基准值滚动预测[J]. 李一琨,车权,赵慧荣,彭道刚. 中国电力. 2020(02)
[2]基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究[J]. 闫重熙,陈皓. 电测与仪表. 2020(06)
[3]基于ANFIS的超短期风电出力预测模型及仿真[J]. 高骞,程霄,沙宇恒,于海波. 沈阳工业大学学报. 2020(01)
[4]风电预测方法与新趋势综述[J]. 韩自奋,景乾明,张彦凯,拜润卿,郭空明,章云. 电力系统保护与控制. 2019(24)
[5]基于支持向量机的铁路周边地表沉降变形量预测[J]. 魏良针. 中国安全生产科学技术. 2019(S1)
[6]基于等效实度法的直叶片垂直轴风力机风能利用系数分析[J]. 杨帅,王华君,张家安,朱鸿曦. 太阳能学报. 2019(10)
[7]基于CEEMD和模糊熵的随机森林风力发电功率预测[J]. 孙堃,赵萌萌,沈美娜,刘达,陈广娟. 智慧电力. 2019(10)
[8]结合多重聚类和分层聚类的超短期风电功率预测方法[J]. 彭晨宇,陈宁,高丙团. 电力系统自动化. 2020(02)
[9]风电产业发展现状及制约瓶颈[J]. 吕文春,马剑龙,陈金霞,吴雨晴. 可再生能源. 2018(08)
[10]关于中国风电和光伏发电补贴缺口和大比例弃电问题的研究[J]. 北京大学国家发展研究院能源安全与国家发展研究中心、中国人民大学经济学院能源经济系联合课题组,王敏. 国际经济评论. 2018(04)
硕士论文
[1]超短期风电功率预测方法研究[D]. 冯翠香.华北电力大学 2019
[2]考虑风功率预测误差的优化调度模型研究[D]. 张晓敏.兰州理工大学 2018
[3]基于最小二乘支持向量机的参数变化模型辨识及其预测控制[D]. 冯凯.浙江大学 2015
[4]基于混沌理论的短期风电功率预测方法研究[D]. 郑婷婷.大连理工大学 2013
本文编号：3538197
【文章来源】：燕山大学河北省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
我国近10年能源消耗分布
燕山大学工程硕士学位论文2我国风能资源丰富，仅在陆地70m以上的技术可开发量就有26亿kW[2]。风力发电对环境保护有着重要意义，并且风电场建设周期短，其建设成本也在逐年下降，风电场的建设地要求较低，可以在海上、戈壁等地建设风电常且如今风电技术已经较为成熟。我国风电发展十分迅速，装机容量每年都有着大量提升，从2008年到2014年，每年增长达到了近40%，今年增速有所放缓，但是依然保持着高速增长。截止到2018年底，中国风电装机量已经达到18426万kW。其增长如图1-2所示。2019年全国风电发电量已经到达4057亿kWh，其中中东部和南方占比45%，“三北”地区大约占比55%[3]。图1-2我国近十年风电装机量1.1.2研究意义风能已经成为我国电力生产的重要组成部分，风电将在能源占比上越来越高。风能发电有着环保，可再生等优点，但是也带了许多问题，主要体现在以下几点[4-6]。(1)由于风能本身的特性，导致风电的间歇性与波动性比较强，当电网接入这种不稳定的电能时，会对电网本身的稳定性与电能质量产生一定影响。(2)风能具有季节性，在春、秋和冬季风能较为丰富，但是在用电高峰的夏天，风能较为贫乏，这样导致在需要发电时，发电量不足，但是在发电量充足时，因为风电不能大量储存导致“弃风”现象普遍发生。(3)发电与用电的协调问题。我国风力发电主要集中在“三北”区域，但我国经济和人口主要集中在沿海地区，因此跨区域送电成为了一个问题。
第2章风电场数据预处理11图2-1理论风速-功率图2.2风电异常数据2.2.1风电异常数据分类风电场由于传感器的安装位置处于开放甚至严酷的环境中，因此传感器会产生不准确的数据；另一方面，由于风机故障检修或者弃风，也会产生不良数据。直接采用原始数据进行预测或者进行功率曲线建模，将会影响预测精度。因此，通过对原始数据进行数据预处理，会提高原始数据的可靠性[46]。图2-2是某风电机组的风速-功率图，根据图像，可以将异常数据分为常数数据，越限数据，离群点数据[47-48]。图2-2某风机实际风速-功率图(1)常数数据，用C表示。
【参考文献】：
期刊论文
[1]基于PSO-SVM的电网调度电厂耗煤基准值滚动预测[J]. 李一琨,车权,赵慧荣,彭道刚. 中国电力. 2020(02)
[2]基于改进天牛须搜索算法优化LSSVM短期电力负荷预测方法研究[J]. 闫重熙,陈皓. 电测与仪表. 2020(06)
[3]基于ANFIS的超短期风电出力预测模型及仿真[J]. 高骞,程霄,沙宇恒,于海波. 沈阳工业大学学报. 2020(01)
[4]风电预测方法与新趋势综述[J]. 韩自奋,景乾明,张彦凯,拜润卿,郭空明,章云. 电力系统保护与控制. 2019(24)
[5]基于支持向量机的铁路周边地表沉降变形量预测[J]. 魏良针. 中国安全生产科学技术. 2019(S1)
[6]基于等效实度法的直叶片垂直轴风力机风能利用系数分析[J]. 杨帅,王华君,张家安,朱鸿曦. 太阳能学报. 2019(10)
[7]基于CEEMD和模糊熵的随机森林风力发电功率预测[J]. 孙堃,赵萌萌,沈美娜,刘达,陈广娟. 智慧电力. 2019(10)
[8]结合多重聚类和分层聚类的超短期风电功率预测方法[J]. 彭晨宇,陈宁,高丙团. 电力系统自动化. 2020(02)
[9]风电产业发展现状及制约瓶颈[J]. 吕文春,马剑龙,陈金霞,吴雨晴. 可再生能源. 2018(08)
[10]关于中国风电和光伏发电补贴缺口和大比例弃电问题的研究[J]. 北京大学国家发展研究院能源安全与国家发展研究中心、中国人民大学经济学院能源经济系联合课题组,王敏. 国际经济评论. 2018(04)
硕士论文
[1]超短期风电功率预测方法研究[D]. 冯翠香.华北电力大学 2019
[2]考虑风功率预测误差的优化调度模型研究[D]. 张晓敏.兰州理工大学 2018
[3]基于最小二乘支持向量机的参数变化模型辨识及其预测控制[D]. 冯凯.浙江大学 2015
[4]基于混沌理论的短期风电功率预测方法研究[D]. 郑婷婷.大连理工大学 2013
本文编号：3538197
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3538197.html
