基于波动过程的短期风电功率预测方法研究

发布时间：2021-01-29 17:05

　　传统化石能源的资源短缺和对生态环境造成的恶劣影响使得风电等新能源的利用成为世界各国共同关注的能源解决方案。风电固有的间歇性、随机性和波动性使得风电并网相较其他电源难度更高。准确的短期风电功率预测可以对未来一段时间内的波动情况进行描述,通过与其它电源的协调配合,减少电力系统备用容量,降低系统运行成本等,减轻风力发电对电网造成的不利影响。本文首先对国内外风电产业的发展情况和风电功率预测的研究现状进行了综述。在此基础上,确定本文的主要研究方向,即历史数据的预处理方案设计、短期风电功率确定性预测和不确定性预测研究。首先,在明确数据预处理对提高风电功率预测精度意义的基础上,讨论测风数据和实测功率数据的异常数据检验和缺失数据修补方案。对于测风数据,针对目前常用的异常测风数据检验方法较为粗略的问题,进行了指标设置的精细化处理,并补充了基于小波变换模的极大值进行奇异点检验的环节;对测风数据缺失情况进行分类,分析不同情况适用的修补方案。对于实测功率数据,考虑到相比于测风数据,功率数据的波动性和随机性更强等问题,设计了时序图与p-v散点图结合的异常功率数据检验方案,以及基于功率曲线和三次样条插值的联合缺失... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：101 页

【学位级别】：硕士

【部分图文】：

风电功率高频分量预测结果

【参考文献】：
期刊论文
[1]GA优化ELM神经网络的风电场测风数据插补[J]. 秦琼,刘树洁,赖旭,刘霄.  太阳能学报. 2018(08)
[2]平原地区风切变指数的计算方法[J]. 王炎,崔永峰,袁红亮,宋俊博.  西北水电. 2019(02)
[3]基于风速升降特性及支持向量机理论的异常数据重构算法[J]. 杨茂,翟冠强,李大勇,苏欣,翟玉成.  电力系统保护与控制. 2018(16)
[4]风电机组风速-功率异常运行数据特征及清洗方法[J]. 沈小军,付雪姣,周冲成,王伟.  电工技术学报. 2018(14)
[5]遗传算法优化的BP神经网络压电陶瓷蠕变预测[J]. 范伟,林瑜阳,李钟慎.  电机与控制学报. 2018(07)
[6]基于遗传算法优化的BP神经网络研究应用[J]. 墨蒙,赵龙章,龚嫒雯,吴扬.  现代电子技术. 2018(09)
[7]基于遗传算法优化BP神经网络的窃电分析[J]. 许均星,李川,李英娜.  软件. 2017(11)
[8]基于再分析数据的测风数据插补方法[J]. 刘霄,赖旭,郑付明.  华中科技大学学报(自然科学版). 2017(07)
[9]风电功率概率预测方法及展望[J]. 吴问足,乔颖,鲁宗相,汪宁渤,周强.  电力系统自动化. 2017(18)
[10]基于小波分析的信号奇异点判定[J]. 康基伟,李雪皎,郭飞.  计算技术与自动化. 2017(02)

硕士论文
[1]短期风电功率预测方法研究[D]. 吴道林.安徽工程大学 2017
[2]基于BP神经网络优化的风电场短期功率预测研究[D]. 马聪.昆明理工大学 2017
[3]风速预测中数椐和样本的有效处理及其模型优化研究[D]. 刘晓洋.太原理工大学 2016
[4]计及风电并网的短期负荷EEMD与神经网络预测方法[D]. 孙婉璐.西南交通大学 2013
[5]BP网络泛化能力的增强改进[D]. 周文全.暨南大学 2012
[6]基于人工神经网络的风电功率预测应用研究[D]. 杨世成.华北电力大学（北京） 2011
[7]分频Hilbert-Huang变换对非平稳信号的分析应用[D]. 刘欢.湖南大学 2007
[8]HHT时频分析方法的研究与应用[D]. 李琳.吉林大学 2006



本文编号：3007251