风电功率组合预测方法及其应用研究

发布时间：2017-07-27 17:51

  本文关键词：风电功率组合预测方法及其应用研究

  更多相关文章： 风电功率预测 组合预测 误差综合评价指标 模型筛选 支持向量机 功率预测系统

【摘要】：风能具有随机波动性,大规模风电并网给电力系统的安全经济运行带来诸多挑战,风电功率预测是有效解决途径。然而复杂的气象条件变化和限电因素的影响使风电功率预测难度相对较大,利用传统的单一预测模型进行预测往往很难达到较为理想的预测精度和稳定性。组合预测能够综合利用各单一预测模型所包含的有效信息,是提高预测精度、分散预测风险的重要手段。本文进行了风电功组合预测方法及其在功率预测系统中的应用研究,主要工作包括：(1)单一风电功率预测方法研究建立了四种单一风电功率预测模型,包括统计预测中的遗传算法优化的BP神经网络模型(GA-BP)、RBF神经网络模型和支持向量机模型(SVM)以及物理预测中的CFD流场预计算模型,并针对统计预测模型提出了一种滚动样本建模方法。研究结果表明：四种单一风电功率预测模型均具有较高的预测精度,预测均方根误差分别为14.89%、14.38%、13.44%、13.38%；滚动样本建模方式相比于固定样本建模方式能够有效提高统计预测模型的预测精度。(2)风电功率定权重组合预测方法研究建立了五种定权重组合预测模型,分别采用等权平均法、误差平方和最小法、熵值法、灰色关联度最大化法以及GA-BP神经网络法计算组合权重系数。实例分析结果表明：五种定权重组合预测模型均呈现出拟合精度高而实际预测精度低的问题；选择合理的组合方法能够有效降低较大误差出现的概率,提高预测的准确性与稳定性；等权平均组合模型与误差平方和最小组合模型的预测精度较高,实用性相对较强。(3)基于模型筛选和支持向量机的变权重组合预测方法研究提出了一种误差综合评价指标,并应用于组合预测中各单一预测模型的筛选,同时建立了基于SVM的变权重组合预测模型。结果表明：基于误差综合评价指标的模型筛选方法能更加合理的完成对各单一预测模型的筛选,有助于预测误差的降低；基于模型筛选和SVM的变权重组合预测模型与各单一预测模型相比预测精度得到明显提高,均方根误差较CFD流场预计算模型、GA-BP模型、RBF模型和SVM模型分别降低2.15%、1.51%、0.73%、0.68%,同时也优于定权重组合预测模型,实用性较强。(4)基于组合预测方法的风电功率预测系统开发在上述研究基础之上,结合风电场的实际需求,开发了一套基于CFD流场预计算模型、SVM模型以及等权平均组合预测的风电场输出功率预测系统。所开发预测系统支持训练样本的远程自动更新,能够快速响应风电场实际运行情况、季节性特征、电网需求等变化。
【关键词】：风电功率预测 组合预测 误差综合评价指标 模型筛选 支持向量机 功率预测系统
【学位授予单位】：华北电力大学(北京)
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第1章 绪论12-19
• 1.1 课题研究背景及意义12-15
• 1.1.1 研究背景12-14
• 1.1.2 研究目的和意义14-15
• 1.2 国内外研究现状15-17
• 1.2.1 单一风电功率预测方法15
• 1.2.2 风电功率组合预测方法15-17
• 1.3 论文的主要研究内容17-18
• 1.4 论文的组织结构与章节安排18-19
• 第2章 风电功率预测方法研究19-39
• 2.1 引言19
• 2.2 统计预测模型19-27
• 2.2.1 GA-BP神经网络模型19-23
• 2.2.2 RBF神经网络模型23-24
• 2.2.3 支持向量机模型24-26
• 2.2.4 建模方式及参数说明26-27
• 2.3 物理预测模型27-29
• 2.3.1 CFD流场预计算模型27-29
• 2.3.2 建模方式及参数说明29
• 2.4 算例及分析29-38
• 2.4.1 数据及预处理29-30
• 2.4.2 功率预测结果对比分析30-38
• 2.5 本章小结38-39
• 第3章 风电功率定权重组合预测方法研究39-54
• 3.1 引言39
• 3.2 组合权重计算方法39-42
• 3.2.1 等权平均法39-40
• 3.2.2 误差平方和最小法40
• 3.2.3 熵值法40-41
• 3.2.4 灰色关联度最大化法41-42
• 3.2.5 GA-BP神经网络法42
• 3.3 定权重组合预测模型适用性分析42-53
• 3.3.1 模型拟合精度对比43-48
• 3.3.2 模型外推精度对比48-53
• 3.4 本章小结53-54
• 第4章 基于模型筛选和支持向量机的变权重组合预测方法研究54-66
• 4.1 引言54-55
• 4.2 基于误差综合评价指标的模型筛选方法55-56
• 4.2.1 误差综合评价指标55-56
• 4.2.2 模型筛选方法56
• 4.3 基于支持向量机的变权重组合预测方法56-57
• 4.4 算例及分析57-65
• 4.4.1 模型预测误差分析57-61
• 4.4.2 基于不同模型筛选指标的预测误差对比61-63
• 4.4.3 定权重组合与变权重组合误差对比63-65
• 4.5 本章小结65-66
• 第5章 组合预测方法在风电功率预测系统中的应用66-76
• 5.1 引言66-67
• 5.2 系统概述67-69
• 5.2.1 系统功能需求67-68
• 5.2.2 系统开发原则及性能要求68-69
• 5.3 系统设计69-70
• 5.4 系统实现70-73
• 5.5 系统应用73-75
• 5.5.1 系统运行环境73
• 5.5.2 系统展示73-75
• 5.6 本章小结75-76
• 第6章 结论与展望76-78
• 6.1 结论76
• 6.2 论文创新点76
• 6.3 研究展望76-78
• 参考文献78-82
• 攻读硕士学位期间发表的论文82-83
• 致谢83

【相似文献】

中国期刊全文数据库 前10条

1 孟建良,王晓华,庞春江,王建新;全局时变权组合预测方法[J];计算机工程与应用;2002年10期

2 吉培荣,张玉文,赵青;组合预测方法在电力系统负荷预测中的应用[J];三峡大学学报(自然科学版);2005年05期

3 胡骥;;铁路外贸货运量组合预测方法的研究[J];铁道运输与经济;2006年05期

4 钟秉林;;一种新的组合预测方法及其应用[J];东南大学学报;1989年02期

5 钟波,肖智;资产未来收益的一种最优组合预测方法[J];重庆大学学报(自然科学版);1998年04期

6 杨尚瑾;董超;;电力系统长期负荷的组合预测方法研究[J];中国电力教育;2009年S1期

7 代海波;单锐;刘文;;组合预测方法中权系数的应用研究[J];科学技术与工程;2012年32期

8 何焱;黄静;;电力中长期负荷模糊优选组合预测方法的研究[J];四川电力技术;2011年05期

9 夏新运;田丽;李玲纯;;变结构组合预测方法在短期电力负荷预测中的应用[J];自动化与仪器仪表;2009年06期

10 董鹏;冷静;罗朝晖;;基于支持向量机的舰船建造费组合预测方法研究[J];造船技术;2011年01期

中国重要会议论文全文数据库 前7条

1 孔繁亮;张国志;;鞅差序列的一种组合预测方法及其应用[A];中国现场统计研究会第12届学术年会论文集[C];2005年

2 陈志航;程乾生;;基于隐马尔科夫模型的组合预测方法[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年

3 李世平;孙浚清;;仪器精度组合预测方法研究[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅲ）[C];2008年

4 唐小我;;最优组合预测方法及其应用[A];全国青年管理科学与系统科学论文集（第1卷）[C];1991年

5 李秀兰;;组合预测方法的研究和应用——邮发期刊价格预测[A];中国现场统计研究会第九届学术年会论文集[C];1999年

6 王周敬;李武;贺建勋;;变权重组合预测方法在货运量预测中的应用[A];1997中国控制与决策学术年会论文集[C];1997年

7 李秀兰;王宏鑫;;均匀设计——灰色联合预测及其应用——邮发期刊价格预测[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集（第3卷）[C];1995年

中国博士学位论文全文数据库 前2条

1 李彩虹;两类组合预测方法的研究及应用[D];兰州大学;2012年

2 于振明;一类耐用消费品的需求预测方法及应用[D];东北大学;2012年

中国硕士学位论文全文数据库 前10条

1 林思铭;组合预测方法在建筑能耗预测中的应用[D];福州大学;2014年

2 刘婷;山东省物流需求组合预测方法及其应用研究[D];首都经济贸易大学;2016年

3 郭晓杰;监督学习方法在短期风电功率预测中的应用研究[D];南京信息工程大学;2016年

4 李晓曦;风电功率组合预测方法及其应用研究[D];华北电力大学(北京);2016年

5 张景广;基于基因表达式编程的组合预测方法研究[D];华中师范大学;2011年

6 朱报春;基于模糊逻辑系统的组合预测方法及应用[D];河海大学;2001年

7 王凤飞;组合预测方法简介及其实证分析[D];山西大学;2011年

8 闫海霞;灰色组合预测方法在粮食产量中的应用[D];西安理工大学;2009年

9 段妮妮;基于组合预测方法的趋势预测研究与应用[D];西华大学;2009年

10 张进;不同精度准则下的区间型组合预测方法研究[D];安徽大学;2010年

，

本文编号：582603