基于EMD、误差修正与自助分位数回归的风电功率概率密度预测方法
发布时间：2021-07-04 01:44
风电功率预测对当前风电并网及智能电网的建设、规划及生产调度都至关重要。精准且有效的风电功率预测是发展能源互联网的必然要求。现今生活中,风电场的开机规划及供给量判断不仅要考虑季节节点及运载负荷,更要应用精确量化的风电功率预测以合理分配清洁电力供给,保证能源网络的平稳运行。风电功率的有效预测,关键在于处理风能的复杂影响因素与波动性、间歇性等特征。在能源互联网环境下,能够消除不确定性的风能概率预测方法更具实际价值。为有效降低风电功率预测中的复杂度和不确定性,持续改善风能发电功率的预测精度,优化预测成本。本文根据风能数据序列特征,提出了基于EMD与自助分位数回归的概率密度预测方法和一种结合误差修正模型的自助分位数回归概率密度预测方法。所构建模型首先运用经验模态分解（EMD）方法进行数据预处理以有效提取数据关键信息,其次将自助法（Bootstrap）、分位数回归（QR）方法与误差修正（EC）相结合,提出了考虑误差修正的自助分位数回归模型,最终以核密度估计方法来优化模型的预测性能,并完成风能源概率密度预测实验研究。结果表明,模型既给出了高精度的未来时刻预测值及其区间范围,而且获得了未来风电完整的概...
【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】：66 页
【学位级别】：硕士
【部分图文】：
安大略冬季风电功率时间序列图
合肥工业大学硕士学位论文23图3.2安大略冬季风电功率时间序列图Fig3.2TimeseriesdiagramofwindpowerinOntarioinwinter本案例中，安大略地区的气象状况受季节变迁的影响较大，因而其当地所收集的风电场输出数据常表现为不同的波动特征，具体在此表现即：冬季与夏季的历史序列表现出不同的走势，但无论哪个季节的风电功率数据序列都具有强波动性特征，十分影响风电预测的研究。图3.3安大略夏季风电功率时间序列图Fig3.3TimeseriesdiagramofwindpowerinOntarioinsummer本案例第一个实验方案选择加拿大安大略地区2019年度一月份风电输出功率数据作为研究地区冬季数据特征的代表。具体介绍为，截取2019年1月1日至2019年1月21日时间段，在安大略省地区收集到的风电数据作为训练集数据，并选择2019年1月22日至1月28日连续时间段的数据作为测试数据。将所有选定的风能数据进行统一归一化，并将数据转换为[0,1]。
第三章基于EMD与自助分位数回归的风电功率概率密度预测24第二个实验方案即另一组2019年度八月份的风电输出功率数据作为安大略地区夏季风能数据特征体现的代表。选择截取2019年8月1日至2019年8月21日时间段上的共504个风电输出记录值为模型训练集数据，截取2019年8月22日至2019年8月28日时间段之间的共168个风电记录值为测试集数据。图3.2显示了冬季1月份前28天的风电功率数据时间序列图。图3.3显示了夏季8月份前28天的风电功率数据时间序列图。图3.2与图3.3中，横轴均为时间轴，纵轴为相应的风电功率量级轴。如图3.2所示，风电数据波动范围大，进行平稳性测试时，它显示为非平稳系列。而图3.3则显示，风电数据波动范围虽大，但进行平稳性测试时，它显示为平稳系列，这说明风电序列复杂多变，其平稳性可由选取时间长度的不同而改变，但其强波动性始终存在。图一-4图3.4安大略冬季风电功率序列EMD分量图Fig3.4EMDcomponentdiagramofOntariowinterwindpowersequence
【参考文献】：
期刊论文
[1]基于卡尔曼滤波修正的多步风电功率预测[J]. 郑培,于立军,侯胜亚,王春平. 热能动力工程. 2020(04)
[2]风电功率物理预测模型引入误差量化分析方法[J]. 牛东晓,纪会争. 电力系统自动化. 2020(08)
[3]基于回归支持向量机的风功率预测误差分析[J]. 罗珂珂. 技术与市场. 2020(04)
[4]风电功率波动平抑下储能出力与平滑能力的动态优化控制策略[J]. 侯力枫. 热力发电. 2020(08)
[5]基于朴素贝叶斯的风电功率组合概率区间预测[J]. 杨锡运,张艳峰,叶天泽,苏杰. 高电压技术. 2020(03)
[6]电力市场环境下能源互联网发展现状与展望[J]. 王明富,吴华华,杨林华,乔松博,惠恒宇,杨阳,丁一. 电力需求侧管理. 2020(02)
[7]对风电并网系统静态电压稳定性的分析及优化[J]. 刘蕾,王卓群,马平. 电气自动化. 2020(02)
[8]可再生能源发电对实时电价的影响分析——德国电力现货市场的数据实证[J]. 刘定,赵德福,白木仁,王其清,李存斌. 电力系统自动化. 2020(04)
[9]基于IEEMD与LS-SVM组合的短期风电功率多步预测方法[J]. 张鑫磊,李根. 电测与仪表. 2020(06)
[10]考虑风电波动不确定性的两阶段鲁棒优化分频调度方法[J]. 包广清,周家武,马明,汪宁渤. 电网技术. 2020(12)
博士论文
[1]元启发式优化算法研究与应用[D]. 董如意.吉林大学 2019
[2]相依误差下部分线性模型的经验似然统计推断[D]. 于卓熙.吉林大学 2010
硕士论文
[1]基于复数据经验模态分解和随机森林理论的风电机组多域特征故障诊断研究[D]. 马富齐.西安理工大学 2019
[2]基于大数据分析与LASSO分位数回归的电力负荷概率密度预测方法[D]. 秦杨.合肥工业大学 2019
[3]改进的自适应布谷鸟搜索算法及其应用研究[D]. MURWANASHYAKA Christian.兰州理工大学 2018
[4]基于数据挖掘与非线性分位数回归的风电功率概率密度预测方法[D]. 李海燕.合肥工业大学 2018
[5]中国风电企业竞争力评价研究[D]. 张严.华北电力大学(北京) 2018
[6]基于核主元分析的风电机组变桨距系统故障诊断研究[D]. 李贺.沈阳工业大学 2017
[7]风电场超短期风电功率多步预测及可预测性研究[D]. 董骏城.东北电力大学 2017
[8]风电场风电功率概率预测研究[D]. 胡汉.东南大学 2016
[9]基于云计算和智能算法的风电功率预测方法研究[D]. 陈朋.华北电力大学 2016
[10]中国风能资源的地理分布及风电开发利用初步评价[D]. 兰忠成.兰州大学 2015
本文编号：3263772
【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】：66 页
【学位级别】：硕士
【部分图文】：
安大略冬季风电功率时间序列图
合肥工业大学硕士学位论文23图3.2安大略冬季风电功率时间序列图Fig3.2TimeseriesdiagramofwindpowerinOntarioinwinter本案例中，安大略地区的气象状况受季节变迁的影响较大，因而其当地所收集的风电场输出数据常表现为不同的波动特征，具体在此表现即：冬季与夏季的历史序列表现出不同的走势，但无论哪个季节的风电功率数据序列都具有强波动性特征，十分影响风电预测的研究。图3.3安大略夏季风电功率时间序列图Fig3.3TimeseriesdiagramofwindpowerinOntarioinsummer本案例第一个实验方案选择加拿大安大略地区2019年度一月份风电输出功率数据作为研究地区冬季数据特征的代表。具体介绍为，截取2019年1月1日至2019年1月21日时间段，在安大略省地区收集到的风电数据作为训练集数据，并选择2019年1月22日至1月28日连续时间段的数据作为测试数据。将所有选定的风能数据进行统一归一化，并将数据转换为[0,1]。
第三章基于EMD与自助分位数回归的风电功率概率密度预测24第二个实验方案即另一组2019年度八月份的风电输出功率数据作为安大略地区夏季风能数据特征体现的代表。选择截取2019年8月1日至2019年8月21日时间段上的共504个风电输出记录值为模型训练集数据，截取2019年8月22日至2019年8月28日时间段之间的共168个风电记录值为测试集数据。图3.2显示了冬季1月份前28天的风电功率数据时间序列图。图3.3显示了夏季8月份前28天的风电功率数据时间序列图。图3.2与图3.3中，横轴均为时间轴，纵轴为相应的风电功率量级轴。如图3.2所示，风电数据波动范围大，进行平稳性测试时，它显示为非平稳系列。而图3.3则显示，风电数据波动范围虽大，但进行平稳性测试时，它显示为平稳系列，这说明风电序列复杂多变，其平稳性可由选取时间长度的不同而改变，但其强波动性始终存在。图一-4图3.4安大略冬季风电功率序列EMD分量图Fig3.4EMDcomponentdiagramofOntariowinterwindpowersequence
【参考文献】：
期刊论文
[1]基于卡尔曼滤波修正的多步风电功率预测[J]. 郑培,于立军,侯胜亚,王春平. 热能动力工程. 2020(04)
[2]风电功率物理预测模型引入误差量化分析方法[J]. 牛东晓,纪会争. 电力系统自动化. 2020(08)
[3]基于回归支持向量机的风功率预测误差分析[J]. 罗珂珂. 技术与市场. 2020(04)
[4]风电功率波动平抑下储能出力与平滑能力的动态优化控制策略[J]. 侯力枫. 热力发电. 2020(08)
[5]基于朴素贝叶斯的风电功率组合概率区间预测[J]. 杨锡运,张艳峰,叶天泽,苏杰. 高电压技术. 2020(03)
[6]电力市场环境下能源互联网发展现状与展望[J]. 王明富,吴华华,杨林华,乔松博,惠恒宇,杨阳,丁一. 电力需求侧管理. 2020(02)
[7]对风电并网系统静态电压稳定性的分析及优化[J]. 刘蕾,王卓群,马平. 电气自动化. 2020(02)
[8]可再生能源发电对实时电价的影响分析——德国电力现货市场的数据实证[J]. 刘定,赵德福,白木仁,王其清,李存斌. 电力系统自动化. 2020(04)
[9]基于IEEMD与LS-SVM组合的短期风电功率多步预测方法[J]. 张鑫磊,李根. 电测与仪表. 2020(06)
[10]考虑风电波动不确定性的两阶段鲁棒优化分频调度方法[J]. 包广清,周家武,马明,汪宁渤. 电网技术. 2020(12)
博士论文
[1]元启发式优化算法研究与应用[D]. 董如意.吉林大学 2019
[2]相依误差下部分线性模型的经验似然统计推断[D]. 于卓熙.吉林大学 2010
硕士论文
[1]基于复数据经验模态分解和随机森林理论的风电机组多域特征故障诊断研究[D]. 马富齐.西安理工大学 2019
[2]基于大数据分析与LASSO分位数回归的电力负荷概率密度预测方法[D]. 秦杨.合肥工业大学 2019
[3]改进的自适应布谷鸟搜索算法及其应用研究[D]. MURWANASHYAKA Christian.兰州理工大学 2018
[4]基于数据挖掘与非线性分位数回归的风电功率概率密度预测方法[D]. 李海燕.合肥工业大学 2018
[5]中国风电企业竞争力评价研究[D]. 张严.华北电力大学(北京) 2018
[6]基于核主元分析的风电机组变桨距系统故障诊断研究[D]. 李贺.沈阳工业大学 2017
[7]风电场超短期风电功率多步预测及可预测性研究[D]. 董骏城.东北电力大学 2017
[8]风电场风电功率概率预测研究[D]. 胡汉.东南大学 2016
[9]基于云计算和智能算法的风电功率预测方法研究[D]. 陈朋.华北电力大学 2016
[10]中国风能资源的地理分布及风电开发利用初步评价[D]. 兰忠成.兰州大学 2015
本文编号：3263772
本文链接：https://www.wllwen.com/kejilunwen/yysx/3263772.html
