风电场风电功率概率预测研究

发布时间：2017-06-06 16:19

  本文关键词：风电场风电功率概率预测研究，由笔耕文化传播整理发布。

【摘要】：我国作为世界上最大的能源消耗国,油气能源的高依赖度,导致能源安全问题、环境问题日益明显。随着风力发电技术的不断提升,风电场装机容量和风电的并网规模不断增加,为我国带来巨大的经济效益的同时,缓解了能源安全并来带了环境效益。为了保证电力系统的稳定运行和供电系统的可靠性,必须对供电系统进行有效的计划、调度。然而,风电作为一种间歇性的电源,其波动性和不确定性,增加了对电网进行安全调度的难度,加重系统备用容量的负担。因此,对风电场输出功率的准确预报,不仅有助于合理的安排调度计划,实现电力系统的供需平衡,同时能有效降低备用容量、降低发电总成本。本文中对风电场风电功率预测系统的国内外情况作了较为全面的介绍。其中,大部分的预测系统都采用了单点值预测方法,这些方法能够给出未来时段内风电功率最有可能出现的功率值；然而,单点值预测方法无法提供风电场风电功率输出的不确定性信息。概率性预测方法的出现,成为解决风电功率预测不确定性信息缺失的关键。此类方法不但能通过期望的方式给出单点值预测结果,同时能够以概率分布的方式,提供预测误差的分布信息,为电力系统调度决策、运行风险评估提供更加丰富的信息。本文首先从ARMA和SVM这两种单点值预测方法入手,分析了这两种单点值预测方法的各自特点。而后,采用ARMA和SVM作为函数模型,实现了ARMA—分位数和SVM—分位数这两种基于分位数的概率性预测方法。在对SVM—分位数概率性预测方法的建模分析中,得到了分位数方法的概率密度函数,同时提出了对概率性预测结果检验值较差分段的分段针对性建模方法。接着,研究了基于相关向量机的概率性预测方法,在该方法的改进策略中,针对ARMA和SVM这两种单点值预测方法得到的误差序列使用RVM进行分析建模,提出了针对单点值预测误差的RVM概率性预测方法。最后,采用同样的评价指标,分别就单点值预测结果、概率性预测结果和运行时间成本这三个方面,对基于分位数回归和基于相关向量机的这两种概率性预测方法进行了分析对比。
【关键词】：风电功率预测 支持向量机 时间序列 分位数回归 相关向量机 连续排名概率得分
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614
【目录】：

• 摘要5-6
• Abstract6-9
• 第一章 绪论9-15
• 1.1 课题背景及意义9-12
• 1.1.1 风电产业发展现状9-11
• 1.1.2 风电功率预测的意义11-12
• 1.2 课题研究的发展现状12-14
• 1.2.1 国内外研究现状12
• 1.2.2 风电功率预测方法的分类12-14
• 1.3 本论文的主要工作14-15
• 第二章 单点值预测方法研究15-35
• 2.1 支持向量机15-21
• 2.1.1 统计学基本原理15-16
• 2.1.2 SVM回归基本原理16-18
• 2.1.3 遗传算法改进的支持向量机18-21
• 2.2 时间序列21-26
• 2.2.1 时间序列基本原理21-22
• 2.2.2 时间序列模型22-23
• 2.2.3 时间序列预测建模23-26
• 2.3 预测效果评价指标26
• 2.4 算例分析26-32
• 2.4.1 GA-SVM单点值预测26-30
• 2.4.2 时间序列单点值预测30-32
• 2.5 本章小结32-35
• 第三章 基于分位数回归的概率性预测方法35-57
• 3.1 分位数回归原理35-37
• 3.1.1 分位数回归基本原理35-37
• 3.1.2 中位数回归37
• 3.1.3 分位数回归的参数估计方法37
• 3.2 支持向量机—分位数回归原理37-39
• 3.2.1 支持向量的选取37-38
• 3.2.2 支持向量机—分位数算法建模38-39
• 3.2.3 支持向量机—分位数算法概率性预测39
• 3.3 时间序列—分位数回归原理39-41
• 3.3.1 时间序列—分位数算法建模40
• 3.3.2 时间序列—分位数算法概率性预测40-41
• 3.4 预测效果评价指标41
• 3.5 算例分析41-47
• 3.5.1 时间序列—分位数算法42-44
• 3.5.2 支持向量机—分位数算法44-46
• 3.5.3 基于分位数的两种概率性预测模型比较46-47
• 3.6 SVM—分位数概率性预测建模分析47-56
• 3.6.1 单点值预测—条件概率密度函数辨识47-50
• 3.6.2 针对SVM单点值预测误差的SVM—分位数概率性预测方案50-53
• 3.6.3 计及温度、湿度的SVM—分位数预测方法53-54
• 3.6.4 对卡方检验效果较差时段的改进策略54-56
• 3.7 本章小结56-57
• 第四章 基于相关向量机的概率预测方法57-71
• 4.1 RVM模型定义57-59
• 4.2 贝叶斯推理过程59-60
• 4.3 RVM学习过程60
• 4.4 RVM模型预测60-61
• 4.5 预测效果评价指标61
• 4.6 算例分析61-69
• 4.6.1 直接RVM预测方法61-65
• 4.6.2 基于SVM预测误差的RVM预测方法65-67
• 4.6.3 基于ARMA预测误差的RVM预测方法67-69
• 4.7 本章小结69-71
• 第五章 概率性预测方法比较71-77
• 5.1 单点值预测输出比较71
• 5.2 基于卡方检验和预测分布失真率的概率性预测效果比较71-72
• 5.3 基于连续排名概率得分法的概率性预测效果比较72-75
• 5.4 时间成本比较75
• 5.5 本章小结75-77
• 第六章 结论与展望77-79
• 6.1 结论77
• 6.2 展望77-79
• 致谢79-81
• 参考文献81-85
• 作者简介85

【参考文献】

中国期刊全文数据库 前10条

1 王伟冠;;大规模风电接入电网的相关问题及解决措施[J];科技与创新;2016年04期

2 施亮星;马红叶;何桢;;基于评分法的测量系统能力评价[J];工业工程;2015年05期

3 何耀耀;闻才喜;许启发;撖奥洋;;考虑温度因素的中期电力负荷概率密度预测方法[J];电网技术;2015年01期

4 张文秀;武新芳;陆豪乾;;风电功率预测技术综述与改进建议[J];电力与能源;2014年04期

5 叶林;赵永宁;;基于空间相关性的风电功率预测研究综述[J];电力系统自动化;2014年14期

6 修春波;任晓;李艳晴;刘明凤;;基于卡尔曼滤波的风速序列短期预测方法[J];电工技术学报;2014年02期

7 丁华杰;宋永华;胡泽春;吴金城;范晓旭;;基于风电场功率特性的日前风电预测误差概率分布研究[J];中国电机工程学报;2013年34期

8 李慧兰;;我国风电发展现状及前景展望[J];科学之友;2013年11期

9 李俊峰;耿丹;;全球及我国风电发展现状与展望[J];中国电力企业管理;2013年07期

10 白文斌;;世界风电发展现状及前景展望[J];科技情报开发与经济;2012年22期

  本文关键词：风电场风电功率概率预测研究，，由笔耕文化传播整理发布。

本文编号：426886