风速及风电功率预测系统的研究

发布时间：2017-09-16 08:30

  本文关键词：风速及风电功率预测系统的研究

  更多相关文章： 风功率预测 支持向量机 稀疏贝叶斯学习 神经网络 时间序列法

【摘要】：目前,世界范围内的风电发展迅速,风电机组的装机容量越来越大,风电在电网中的比重也越来越高,由于风电出力的随机性、波动性,使得对风电功率进行准确预测变得十分重要,目前风电功率的预测方法比较多,但却普遍存在着预测精度低的问题,本文开展了关于风电功率预测问题的研究。本文首先分析了目前全球风电的发展情况及风电装机规模,以及进行风电预测研究的意义,并对目前风功率预测存在的问题及所采用的主要预测方法进行了研究,之后介绍了本文所采用的三种超短期预测方法的基本原理,然后用三种预测方法对同一组风功率数据分别进行了超短期预测,并进行了预测结果及误差对比。预测前首先采用滑动平均法预处理历史数据,得到风速波动的概率区间。对于时间序列预测法,还需对历史数据进行平稳化处理。支持向量机与小波神经网络预测法,需对历史风速数据进行样本分类,分为训练样本和预测样本,训练样本训练网络,预测样本用来检验预测方法的预测精度。对比三种超短期预测模型的预测结果,小波神经网络法的预测相对更精确,且发现支持向量机预测模型更适合应用在有大量历史数据作支撑的情况下。本文选取神经网络预测模型,用遗传算法优化模型的网络层节点数,网络拓扑结构及迭代次数,重新进行预测,然后将预测结果与未改进之前的模型进行对比分析,发现预测精度有了进一步的提高。本文对比分析了三种预测方法各自的适用范围及优缺点,最后采用稀疏贝叶斯学习模型改进了风功率短期预测模型,并检验了短期预测结果的误差水平,结果发现改进后的预测模型提高了短期预测精度。且对于集群分布的风电场群,其预测的出力波动性与误差都要小。最后,本文采用MATLAB GUI将两种预测方法结合,设计了一种实用的、具有良好人机交互性的GUI风功率预测系统软件,方便运行人员随时进行预测,提高了预测模型的可视化程度,并提供模型参数输入、预测方法选择及预测结果对比等功能。
【关键词】：风功率预测 支持向量机 稀疏贝叶斯学习 神经网络 时间序列法
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM614
【目录】：

• 摘要5-6
• Abstract6-9
• 第1章 绪论9-14
• 1.1 课题研究的背景及意义9-11
• 1.2 国内外发展现状11-12
• 1.3 本文的主要工作12-14
• 第2章 风功率预测原理14-24
• 2.1 风功率预测的主要方法14-15
• 2.1.1 基于天气预报信息的方法14
• 2.1.2 统计模型14-15
• 2.1.3 基于历史数据的方法15
• 2.2 时间序列算法15-17
• 2.2.1 ARMA模型15-16
• 2.2.2 ARMA模型的识别、估计、诊断、预测16-17
• 2.2.3 MA、AR、ARMA过程中ACF与PACF的特点17
• 2.3 支持向量机SVM方法17-20
• 2.4 小波神经网络基本原理20-22
• 2.5 本章小结22-24
• 第3章 风功率超短期预测模型24-43
• 3.1 建模前的准备24-25
• 3.2 基于时间序列法的超短期预测模型25-31
• 3.2.1 K-S检验25-28
• 3.2.2 建立ARMA模型28-29
• 3.2.3 时间序列法预测结果及误差分析29-31
• 3.3 支持向量机SVM预测模型31-34
• 3.3.1 SVM参数分析31-33
• 3.3.2 SVM预测结果33-34
• 3.4 小波神经网络预测模型34-36
• 3.4.1 模型建立34-35
• 3.4.2 小波神经网络预测结果35-36
• 3.5 三种方法超短期预测结果对比36-38
• 3.6 改进小波神经网络模型38-41
• 3.6.1 遗传神经网络算法38
• 3.6.2 优化的神经网络模型38-40
• 3.6.3 模型预测结果分析40-41
• 3.7 GUI界面开发41-42
• 3.8 本章小结42-43
• 第4章 风功率短期预测模型43-47
• 4.1 风功率超短期预测与短期预测区别43
• 4.2 短期预测模型43-44
• 4.2.1 稀疏贝叶斯预测模型43-44
• 4.2.2 参数获取——EM迭代法44
• 4.3 短期预测结果分析44-46
• 4.4 机组汇聚的分析46
• 4.5 本章小结46-47
• 第5章 总结与展望47-49
• 5.1 本文所做工作47
• 5.2 本文主要创新点47-48
• 5.3 有待解决的问题48-49
• 参考文献49-52
• 致谢52-53
• 作者简介53

【参考文献】

中国期刊全文数据库 前1条

1 王丽婕;冬雷;廖晓钟;高阳;;基于小波分析的风电场短期发电功率预测[J];中国电机工程学报;2009年28期

，

本文编号：861966