风电功率超短期预测方法研究

发布时间：2021-07-04 14:57

随着化石能源的消耗和日益突出的环境污染问题,风电作为一种储量巨大的可再生清洁能源,受到世界各国的广泛关注。我国风电总装机容量已位居世界第一,由于采用风电集中并网的开发模式,电网受风电波动性影响的问题十分严重,也影响了风电自身的发展前景。利用风电功率预测技术实现风电功率的准确预测,有利于风电的上网竞价、减少弃风、缓解风电并网对电网的不利影响等,实现双赢的目标。目前,组合预测模型是风电功率预测研究的一大热点,然而如何选择单项预测模型以及组合方式,还值得进一步探讨。同时,如何提高风电功率预测模型的超短期多步预测性能,仍然值得探索。围绕以上问题,论文展开了风电功率超短期预测的相关研究。提出一种基于灰色关联度理论的单项预测模型筛选方法。在建立风电功率组合预测模型前,需要从预测模型集合中筛选出备用的单项预测模型。本文所提方法给出了单项预测模型的选择标准,避免了直接给定单项预测模型的主观性和盲目性,确保了筛选出的备用单项预测模型的合理性和有效性。提出一种基于不同优化准则和广义回归神经网络的风电功率非线性组合预测模型。利用筛选出的单项预测模型建立基于不同优化准则的线性组合预测模型,为兼顾不同准则下的优化效果,利用广义回归神经网络对各优化准则下的线性模型进行非线性加权组合,得到优化模型。对风电场实测数据进行仿真分析,结果表明:所提优化模型的各项指标相比于改进前都有所改善,有效的提高了风电功率超短期预测精度。考虑到梯度下降算法求解自适应小波神经网络(AWNN)的权值和阈值时易陷入局部极小的缺陷,提出一种改进PSO-DE算法优化AWNN的权值和阈值。粒子群(PSO)算法和差分进化(DE)算法的新个体产生方式不同,将两者相结合,引入一种信息沟通机制搭建两个种群之间信息自由交流的桥梁,有利于避免单个启发式算法因信息判断错误而陷入局部极小。利用改进模型对风电功率进行超短期多步预测,并进行仿真分析,结果表明:改进PSO-DE算法有效的优化了AWNN的权值和阈值,所提模型具有较高的超前多步预测精度和良好的工程实用价值。
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM614

文章目录

中文摘要

英文摘要

1 绪论

1.1 研究背景与意义

1.1.1 研究背景

1.1.2 研究意义

1.2 风电功率预测方法

1.2.1 风电功率预测方法分类

1.2.2 风电功率预测方法介绍

1.3 国内外风电功率预测系统研究现状

1.3.1 国外风电功率预测系统研究现状

1.3.2 国内风电功率预测系统研究现状

1.4 本论文工作

2 风电功率预测的基本理论介绍

2.1 引言

2.2 各单项预测方法

2.2.1 BP神经网络

2.2.2 ELM方法

2.2.3 时间序列法

2.2.4 SVM方法

2.2.5 RBF神经网络

2.2.6 GRNN神经网络

2.3 时间序列的混沌属性

2.3.1 识别时间序列的混沌属性

2.3.2 时间序列的相空间重构

2.4 本章小结

3 基于不同优化准则和GRNN的风电功率非线性组合预测

3.1 引言

3.2 灰色关联度基本理论

3.3 单项预测模型的选择

3.3.1 单项预测模型的相对灰色关联度

3.3.2 基于综合灰色关联度的单项模型筛选方法

3.4 优化模型

3.4.1 构造线性组合模型

3.4.2 优化模型的建立

3.5 算例分析

3.5.1 单项预测模型的训练

3.5.2 单项预测模型的筛选

3.5.3 基于不同优化准则的线性组合模型

3.5.4 GRNN非线性组合模型预测效果分析

3.6 本章小结

4 基于改进PSO-DE优化AWNN的风电功率超短期多步预测

4.1 引言

4.2 自适应小波神经网络模型

4.2.1 小波分析理论

4.2.2 自适应小波神经网络

4.2.3 AWNN网络结构的确定

4.3 改进粒子群和差分进化混合算法

4.3.1 粒子群(PSO)算法

4.3.2 差分进化(DE)算法

4.3.3 改进PSO-DE算法

4.4 风电功率预测模型

4.4.1 风电功率多步预测

4.4.2 预测模型流程

4.5 算例分析

4.5.1 仿真参数设置

4.5.2 仿真结果

4.6 本章小结

5 结论和展望

5.1 结论

5.2 展望

致谢

参考文献

附录

A.作者在攻读硕士期间发表的论文

B.作者在攻读硕士期间参加的科研项目

【参考文献】