短期风速和风电功率预测模型的研究

发布时间：2017-06-30 12:19

  本文关键词：短期风速和风电功率预测模型的研究，，由笔耕文化传播整理发布。

【摘要】：随着全球风力发电的快速发展,风电在电网中所占的比例越来越大。但由于风的间歇性和随机性特点,使得大规模的风电接入对电网的安全、稳定以及电能质量带来严峻挑战,因而限制了风电的发展规模。对风电场的输出功率进行准确的预测是解决此问题的有效途径之一,借助预测结果,有利于电力调度部门及时调整调度计划,优化系统运行,同时还可减少电力系统的备用容量和运行成本。因此,对风电功率进行预测具有十分重要的意义。 在此背景下,本文选择风速和风电功率的短期预测作为研究内容,运用多种方法对短期风速和风电功率预测进行深入的研究。首先,将时间序列和神经网络理论引入到风速预测模型中,分别建立了差分自回归滑动平均(ARIMA)预测模型和BP神经网络预测模型。并在ARIMA模型的基础上,提出了自回归条件异方差(GARCH)和聚类ARIMA两种改进模型；在BP神经网络的基础上,引入遗传算法(GA)和粒子群算法(PSO)对BP神经网络的初始权值和阈值进行优化,分别建立了GA-BP预测模型和PSO-BP预测模型。然后,通过算例分析对每种模型的预测效果和特点进行总结。 为了进一步提高风速预测的精度,引入组合的思想,对上述单一模型预测值进行组合得到风速的组合预测值。最后,运用风电功率曲线,将风速的组合预测值转换成风电功率的预测值。 通过以上对风速和风功率预测问题的研究,运用时间序列和神经网络理论进行了较为深入的模型探讨,并进行了数据处理以及数值计算,可以发现模型的改进以及数据的处理,是有助于提高风速和风电功率预测精度的。
【关键词】：风速和风电功率 时间序列 聚类分析 神经网络 遗传算法 粒子群算法 预测模型
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TM614
【目录】：

• 致谢5-6
• 中文摘要6-7
• ABSTRACT7-11
• 1 绪论11-23
• 1.1 课题的提出背景和研究意义11-13
• 1.1.1 课题的提出背景11-12
• 1.1.2 课题的研究意义12-13
• 1.2 风电功率预测概念13-16
• 1.2.1 风电功率预测分类13-14
• 1.2.2 风电功率短期预测方法14-15
• 1.2.3 风电功率预测模型的评价15-16
• 1.3 风电功率预测研究动态16-19
• 1.3.1 国外研究现状16-17
• 1.3.2 国内研究现状17-19
• 1.4 本文的主要工作及章节安排19-23
• 2 基于随机时间序歹lJ法的短期风速预测23-45
• 2.1 风速概述23-24
• 2.2 时间序列基本原理24-27
• 2.2.1 时间序列概述24-25
• 2.2.2 平稳时间序列及其模型25-26
• 2.2.3 非平稳时间序列及其模型26-27
• 2.3 基于ARIMA的预测模型研究27-33
• 2.3.1 时间序列建模基本步骤27-30
• 2.3.2 算例分析30-33
• 2.4 基于GARCH的预测模型研究33-38
• 2.4.1 ARCH和GARCH模型概述33-34
• 2.4.2 ARCH和GARCH模型基本原理34-36
• 2.4.3 算例分析36-38
• 2.5 基于聚类ARIMA的预测模型研究38-43
• 2.5.1 聚类分析概述38-39
• 2.5.2 聚类思路39-40
• 2.5.3 算例分析40-43
• 2.6 不同模型预测效果比较43-44
• 2.7 本章小结44-45
• 3 基于人工神经网络法的短期风速预测45-71
• 3.1 神经网络的概念和原理概述45-48
• 3.1.1 神经网络简介及其特性45-46
• 3.1.2 神经网络模型46-47
• 3.1.3 神经网络的学习47-48
• 3.2 基于BP神经网络的预测模型研究48-55
• 3.2.1 BP神经网络简介48-49
• 3.2.2 BP网络学习算法49-52
• 3.2.3 BP网络的局限性及改进方法52
• 3.2.4 BP网络建模及算例分析52-55
• 3.3 基于遗传优化的BP神经网络预测模型研究55-63
• 3.3.1 遗传算法简介55-56
• 3.3.2 遗传算法的流程和基本要素56-59
• 3.3.3 GA算法与BP网络的结合59-60
• 3.3.4 GA-BP网络建模及算例分析60-63
• 3.4 基于粒子群优化的BP神经网络预测模型研究63-69
• 3.4.1 粒子群算法简介63-64
• 3.4.2 粒子群算法的流程、步骤及参数设置64-65
• 3.4.3 PSO算法与BP网络的结合65-66
• 3.4.4 PSO-BP网络建模及算例分析66-69
• 3.5 不同模型预测效果比较69-70
• 3.6 本章小结70-71
• 4 基于组合预测模型的短期风电功率预测71-79
• 4.1 组合模型预测71-74
• 4.1.1 组合预测概述71
• 4.1.2 组合模型建立71-73
• 4.1.3 基于组合模型的风速预测结果73-74
• 4.2 风电功率预测74-78
• 4.2.1 风能的计算75
• 4.2.2 风电机组出力的计算75-76
• 4.2.3 基于组合模型的风电功率预测算例76-78
• 4.3 本章小结78-79
• 5 结论与展望79-81
• 5.1 论文的结论79-80
• 5.2 论文的不足与展望80-81
• 参考文献81-85
• 作者简历85-89
• 学位论文数据集89

【引证文献】

中国博士学位论文全文数据库 前1条

1 卜迟武;风机叶片打磨机器人的控制研究[D];哈尔滨工程大学;2012年

中国硕士学位论文全文数据库 前10条

1 蔡祯祺;基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究[D];浙江大学;2012年

2 徐蓓蓓;风电场风速和发电功率预测研究[D];长沙理工大学;2012年

3 刘双顺;风电场短期输出功率预测方法研究[D];沈阳工业大学;2012年

4 徐聪麒;基于粒子群优化的RBF网络在节约型校园能耗监管平台中的应用研究[D];广西大学;2012年

5 陈标;短期电力负荷的小波神经网络预测[D];湖南大学;2012年

6 陈聪聪;基于组合模型的风功率预测[D];新疆大学;2012年

7 于安兴;风电场短期风电功率预测研究[D];华东理工大学;2013年

8 李俊豪;风电场风速及风电功率短期预测方法的研究[D];河北工业大学;2012年

9 阮丽丽;水环境预测模型的开发及应用研究[D];四川农业大学;2012年

10 钱程;GARCH类模型在金融数据波动性分析中的应用研究[D];辽宁师范大学;2012年

  本文关键词：短期风速和风电功率预测模型的研究，由笔耕文化传播整理发布。

本文编号：501920