基于风速数据预处理的风电功率预测新方法研究

发布时间：2023-04-25 23:44

　　风力发电作为一种零排放、运行成本低的新能源发电技术,已在世界范围内实现了大规模的开发和利用。然而,风能呈现出的随机波动性仍然对风电安全并网提出了巨大挑战。高精度的风速预测工作是电网正常运行的根本保障和及时调整调度计划的可靠依据。传统的风速预测模型无法满足风电场预测精度要求,而且大多数预测方法集中在数值算法的改进上,缺乏对真实风速数据特性的挖掘。本研究将原始风速数据作为研究重点,通过时频分析方法探究风速序列的本质特征,并针对性的进行风速预测,有效改进传统风速预测方法的预测效果。主要工作包括以下几个方面:(1)利用经验模态分解方法对原始风速序列进行自适应分解,并根据经验模态函数波动的特性,选取最小二乘支持向量机和RBF神经网络预测模型分别对高频分量和低频分量进行预测,并以此建立组合风速预测模型;(2)根据原始风速序列的日相似性,筛选数据,降低历史数据的复杂程度,并针对经验模态分解方法的模态混叠问题,探究变分模态分解对原始风速序列的分解效果,以及考虑遗传算法全局优化能力对BP神经网络预测模型进行改进,建立有效的风速预测模型;(3)风速变化受多种因素影响,建立主成分分析模型压缩历史数据,提取综...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 风电发展现状
    1.2 风电预测发展现状
    1.3 本文主要研究内容
第2章 基于经验模态分解改进的组合风速预测模型
    2.1 经验模态分解理论及其数值预测算法
        2.1.1 经验模态分解
        2.1.2 径向基神经网络(RBF)算法
        2.1.3 最小二乘支持向量机(LS-SVM)算法
    2.2 基于经验模态分解改进的组合风速预测模型
        2.2.1 风电场数据描述
        2.2.2 经验模态分解结果
        2.2.3 不同频率的IMF预测分量的确定
        2.2.4 风速预测模型建模流程
    2.3 风速预测结果及相应的误差分析
        2.3.1 高频分量预测结果
        2.3.2 风速预测结果
        2.3.3 风速预测模型的误差分析
    2.4 本章小结
第3章 基于变分模态分解改进的GA-BP神经网络风速预测模型
    3.1 系统聚类分析、变分模态分解以及GA-BP神经网络的相关理论
        3.1.1 系统聚类分析
        3.1.2 变分模态分解
        3.1.3 基于遗传算法优化的BP神经网络
    3.2 基于变分模态分解改进的GA-BP神经网络风速预测模型
        3.2.1 风电场数据描述
        3.2.2 系统聚类分析结果
        3.2.3 原始风速序列VMD分解结果
        3.2.4 风速预测模型建模流程
    3.3 风速预测结果及相应的误差分析
        3.3.1 各分量预测结果
        3.3.2 风速预测结果
        3.3.3 风速预测模型的误差分析
    3.4 本章小结
第4章 基于主成分分析和独立成分分析改进的RBF神经网络风速预测模型..
    4.1 主成分分析和独立成分分析相关理论
        4.1.1 主成分分析
        4.1.2 独立成分分析
    4.2 基于主成分分析和独立成分分析改进的RBF神经网络风速预测模型
        4.2.1 风电场数据描述
        4.2.2 主成分分析结果
        4.2.3 独立成分分析结果
        4.2.4 风速预测建模流程
    4.3 风速预测结果及相应的误差分析
        4.3.1 风速预测结果
        4.3.2 风速预测模型的误差分析
    4.4 本章小结
第5章 总结
    5.1 本文的研究重点
    5.2 本文研究的创新点
    5.3 风速预测研究方向展望
参考文献
攻读硕士学位期间发表的学术成果
    学术论文
    发明专利
攻读硕士学位期间参加的科研工作
致谢



本文编号：3801299