融合RBF神经网络和集对分析的风电功率超短期预测

发布时间：2020-12-26 10:20

　　风电功率的随机波动性是制约风电功率预测精度提高的关键问题之一,其中风速波动性以及风电转换不确定性是造成风电功率波动的两个主要原因.本文首先分析在风电功率预测中计及风电场状态的必要性;其次以风机运行状态充当输入变量,采用互信息理论修正外部NWP风速,引入集对分析对风电场内部状态特征参量进行匹配预测,构建计及风电场运行状态的以一种多输入-单输出的RBF神经网络为核心的风功率预测框架;最后采用吉林省某风电场的实际数据进行分析.对比多种预测算法,通过算例结果表明,所提方法可以有效地提升风电功率预测的精度. 

【文章来源】：昆明理工大学学报(自然科学版). 2020年05期 北大核心

【文章页数】：10 页

【部分图文】：

某风电场10号与13号风机实测功率曲线对比图

风电场运行态势是指整个风电场在目标时刻的安全状况及其变化趋势,其影响因素包括风速等强时变因素以及风电机组运行状况等弱时变因素.对于不完美的NWP风速信息,将其与实测风速进行关联分析来修正;对于未来的风电场运行态势,利用相似时段匹配法对其进行预测,以此扩展并优化风功率预测的输入变量,将在下节详述.图3 某风电场10号与13号风机的4种运行状态参量序列对比图

某风电场10号与13号风机的4种运行状态参量序列对比图

【参考文献】：
期刊论文
[1]基于秩次集对分析理论的空间负荷预测方法[J]. 肖白,张婕,姜卓,施永刚,焦明曦,王徭.  电力自动化设备. 2020(04)
[2]一种利用混合算法选择变量的天牛须优化神经网络风速预测方法[J]. 李大中,李昉,张克延.  电力科学与工程. 2019(12)
[3]基于原子稀疏分解和混沌理论的风电功率超短期多步预测[J]. 杨茂,刘慧宇,崔杨.  昆明理工大学学报(自然科学版). 2019(04)
[4]计及风电场状态的风电功率超短期预测[J]. 杨茂,周宜.  中国电机工程学报. 2019(05)
[5]基于长短期记忆网络的风电场发电功率超短期预测[J]. 朱乔木,李弘毅,王子琪,陈金富,王博.  电网技术. 2017(12)
[6]融合集对分析和证据理论的风电机组运行状态评估[J]. 周湶,徐清鹏,李剑,王慕宾,相晨萌.  电力自动化设备. 2017(07)
[7]基于卡尔曼滤波和支持向量机的风电功率实时预测研究[J]. 杨茂,黄宾阳,江博,林思思.  东北电力大学学报. 2017(02)
[8]基于RBF神经网络和遗传算法的MPPT方法[J]. 陈小华,李志华.  可再生能源. 2013(01)



本文编号：2939511