短期风电功率预测方法研究

发布时间：2017-09-08 00:19

  本文关键词：短期风电功率预测方法研究

  更多相关文章： 风电功率 预测 支持向量机 IOWA 改进IOWA

【摘要】：近些年来，我国风电装机容量快速增长。由于风速具有随机波动性，风电大规模并网给电力系统的安全稳定运行带来了巨大挑战。为了降低风电大规模并网对电网的冲击，必须对并网风电场发电功率进行调度，而风电场风电功率预测是实现并网风电场调度的前提。 风电功率预测的重点在于预测建模，国内外从物理建模及统计建模两个角度进行了较长时间的研究。目前国内风电场大多新建，缺乏用于物理建模的风场信息，故国内的风电功率预测往往利用风场历史数据进行统计建模。由于人工神经网络及支持向量机非线性回归性能突出，，本文以这两类统计方法对算例风场进行了建模仿真。该仿真发现：BP、RBF、GRNN三种神经网络及线性核、多项式核、RBF核三种支持向量机所建立的预测模型在实际功率快速波动时存在较大的预测失准。因此，本文应用了一种建模思路以提高模型预测精度：首先，分解实际功率序列以提取不同波动尺度的功率特征信息；其次，分别建立以各个分解分量为输出的分量预测模型以减小整体建模难度；最后，采用一定的加权方式确定各分量预测模型的权值系数。故本文的主要工作是： 1）对比BP、RBF、GRNN三种人工神经网络及线性核、多项式核、RBF核三种支持向量机的建模及其预测精度，选定多项式核支持向量机为预测建模方法； 2）应用EMD将实际功率序列分解成多个功率正交分量，每个功率正交分量分别利用多项式核支持向量机建立以其为输出的分量预测模型； 3）基于信息集成原理将IOWA加权引入风电功率预测领域，并提出一种针对风电功率预测的改进IOWA加权策略以获取各个分量预测模型的权值系数。 通过对算例风场进行建模仿真，应用本文建模思路的改进IOWA加权方式下的预测模型可改善实际功率快速波动时的预测失准，且相比其他建模方法具有更好的预测精度。 基于本文的研究成果，利用支持向量机建立了风电功率预测系统的预测模型，在全国范围内多个风场得到了实际应用。
【关键词】：风电功率 预测 支持向量机 IOWA 改进IOWA
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TM614;TP13
【目录】：

• 摘要5-6
• Abstract6-9
• 第一章 绪论9-18
• 1.1 论文的研究背景9-12
• 1.2 论文的研究意义12-13
• 1.3 短期风电功率预测研究现状13-16
• 1.3.1 国外研究现状13-15
• 1.3.2 国内研究现状15-16
• 1.4 本文完成的主要工作16-18
• 第二章 短期风电功率预测18-29
• 2.1 短期风电功率预测基本原理18-20
• 2.1.1 物理方法原理19-20
• 2.1.2 统计方法原理20
• 2.2 短期风电功率预测一般流程20-21
• 2.3 短期风电功率预测关键技术21-28
• 2.3.1 数值天气预报技术22-23
• 2.3.2 数据预处理技术23-27
• 2.3.3 建模及模型训练技术27-28
• 2.4 本章小结28-29
• 第三章 短期风电功率预测建模29-47
• 3.1 人工神经网络29-37
• 3.1.1 BP 神经网络31-34
• 3.1.2 RBF 神经网络34-35
• 3.1.3 GRNN 神经网络35-37
• 3.2 支持向量机37-44
• 3.2.1 支持向量机基础37-40
• 3.2.2 非线性支持向量回归机40-44
• 3.3 人工神经网络及支持向量机建模对比44-46
• 3.4 本章小结46-47
• 第四章 基于 EMD 做数据预处理的短期风电功率预测研究47-62
• 4.1 EMD 原理及流程47-49
• 4.2 基于 EMD 做历史数据预处理的预测方法49-53
• 4.2.1 IOWA 加权51-52
• 4.2.2 改进 IOWA 加权策略52-53
• 4.3 建模仿真分析53-60
• 4.4 本章小结60-62
• 第五章 短期风电功率预测系统的应用62-69
• 5.1 需求分析62-64
• 5.1.1 电网需求62-63
• 5.1.2 风电场需求63-64
• 5.1.3 技术开发需求64
• 5.2 系统展示64-67
• 5.3 精度统计67-68
• 5.4 本章小结68-69
• 总结与展望69-71
• 参考文献71-74
• 附录一 用于 BP 建模的 matlab 源代码74-76
• 附录二 用于 IOWA 加权的 matlab 源代码76-78
• 攻读硕士学位期间取得的研究成果78-79
• 致谢79-80
• 附件80

【参考文献】

中国期刊全文数据库 前9条

1 周双喜;王海超;陈寿孙;;风力发电运行价值分析[J];电网技术;2006年14期

2 陈盼;陈皓勇;叶荣;陈天恩;李丹;;基于小波包和支持向量回归的风速预测[J];电网技术;2011年05期

3 黎静华;韦化;;基于诱导有序加权平均算子的最优组合短期负荷预测[J];电网技术;2011年10期

4 林海涛;蒋传文;任博强;栾士岩;;基于模糊聚类的风速短期组合预测[J];华东电力;2010年02期

5 卢斌;慕亚茹;徐一秋;;基于GRNN的网络出口流量预测[J];黑龙江科技信息;2008年13期

6 王强,余岳峰,张浩炯;利用人工神经网络实现函数逼近[J];计算机仿真;2002年05期

7 林春霖;;风电场风电功率预测系统介绍[J];水利科技;2012年03期

8 付伟;杨先一;冯伟;陈然;;遗传神经网络在风电场风速估计中的应用[J];现代科学仪器;2009年06期

9 刘辉;田红旗;李燕飞;;基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法[J];中南大学学报(自然科学版);2010年01期

中国博士学位论文全文数据库 前4条

1 杨志凌;风电场功率短期预测方法优化的研究[D];华北电力大学（北京）;2011年

2 刘兴杰;风电输出功率预测方法与系统[D];华北电力大学;2011年

3 高阳;风电场风电功率预测方法研究[D];沈阳农业大学;2011年

4 徐争光;经验模式分解的数学理论研究[D];华中科技大学;2009年

中国硕士学位论文全文数据库 前5条

1 刘华煜;基于支持向量机的机器学习研究[D];大庆石油学院;2005年

2 李杏培;风电场风速及风电机组发电量的短期预报方法研究[D];华北电力大学（北京）;2009年

3 夏静;基于广义回归神经网络的工业过程优化建模[D];哈尔滨理工大学;2009年

4 张臻;风电功率短期预测方法研究[D];华南理工大学;2010年

5 丁志勇;风电场短期功率预测方法研究[D];华南理工大学;2012年

本文编号：810762