基于数值预报的风电场功率短期组合预测模型研究

发布时间：2022-12-23 01:11

　　对风电场输出功率的短期预测被普遍认为是增加风电接入容量、提高国家电网系统运行安全性和经济性的有效手段,是风力发电的热点研究问题之一。风电场输出功率与风速等多种气象要素有关,很难用一定的数学表达式来描述。在以往的风电功率短期预测模型建立上,研究者习惯于采用历史实测数据进行研究,然而在实际情况下,往往缺少实测数据只有预报数据,因此利用历史实测数据所建立的模型应用到实际的风电功率短期预测中是不合理的。针对这一问题,本文采用数值天气预报（NWP）数据进行预测模型研究。 本论文主要进行以下三个方面的工作： （1）首先利用BP神经网络建立风电功率短期预测模型,然后针对BP神经网络连接权值和节点阈值选取的盲目性和随意性,容易陷入局部极小值导致预测结果的不稳定问题,利用遗传算法（GA）和粒子群算法（PSO）全局性搜索的优势来优化BP神经网络,建立GA-BP和PSO-BP风电功率短期预测模型。实验结果表明,优化后模型的预测精度高于单一BP神经网络模型的预测精度。 （2）为了进一步提高风电功率短期预测的精度,反映不同天气变化情况和机组状态,消除季节变化以及极端天气情况对预测结果的影响我们... 

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 前言
    1.1 研究目的和意义
    1.2 国内外研究现状
        1.2.1 风电场风电功率预测的国内外研究进展
        1.2.2 神经网络方法预测风电功率的国内外研究现状
    1.3 研究内容和方法
    1.4 研究成果
    1.5 论文组织结构
第二章 相关理论及方法
    2.1 神经网络
        2.1.1 神经网络的概念及特点
        2.1.2 神经网络的发展
    2.2 BP神经网络
    2.3 遗传算法优化BP神经网络
        2.3.1 遗传算法的起源
        2.3.2 遗传算法的基本要素
        2.3.3 遗传算法优化BP神经网络的算法流程
    2.4 粒子群算法优化BP神经网络
        2.4.1 粒子群算法的起源
        2.4.2 粒子群算法的介绍
        2.4.3 粒子群算法优化BP神经网络的算法流程
    2.5 本章小结
第三章 风电功率短期预测模型研究
    3.1 利用BP神经网络进行风电场功率短期预测
        3.1.1 BP神经网络基本结构确定
        3.1.2 BP神经网络预测风电功率结果
    3.2 利用GA-BP神经网络模型进行风电功率预测
    3.3 利用PSO-BP神经网络模型进行风电功率预测
    3.4 组合预测模型研究
        3.4.1 组合预测的思想
        3.4.2 组合预测的方法实现
        3.4.3 组合预测的实验分析
    3.5 本章小结
第四章 风电场原始数据的预处理
    4.1 风电场概述
    4.2 风电场原始数据的简介
    4.3 风电场风速的基本知识
        4.3.1 风速的变化特性
        4.3.2 风速的合理变化范围
    4.4 利用组合预测方法处理异常和缺省数据
        4.4.1 异常或缺省数据示例
        4.4.2 缺省或异常数据的补缺
    4.5 本章小结
第五章 按月份建立组合预测模型的应用研究
    5.1 概述
    5.2 组合预测模型内部参数的研究
        5.2.1 MATLAB神经网络工具箱
        5.2.2 GA与PSO中运行参数的设定
    5.3 按月份建立组合预测模型及结果分析
        5.3.1 实验样本的选择
        5.3.2 按月份建立组合预测模型的结果分析
    5.4 本章小结
第六章 总结和展望
    6.1 总结
    6.2 进一步的工作
参考文献
作者简介
    攻读学位期间学习情况
    作者攻读学位期间发表的学术论文
    作者攻读学位期间取得的其他学术成果
致谢


【参考文献】：
期刊论文
[1]基于样本熵和极端学习机的超短期风电功率组合预测模型[J]. 张学清,梁军,张熙,张峰,张利,徐兵.  中国电机工程学报. 2013(25)
[2]考虑预测误差分布特性的风电场集群调度方法[J]. 汤奕,王琦,陈宁,朱凌志.  中国电机工程学报. 2013(25)
[3]考虑风电接入的电力系统经济调度研究[J]. 杨佳俊,徐建政.  电工电气. 2013(08)
[4]风电功率预测方法综述及发展研究[J]. 牛东晓,范磊磊.  现代电力. 2013(04)
[5]基于改进BP神经网络的煤体瓦斯渗透率预测模型[J]. 尹光志,李铭辉,李文璞,曹偈,李星.  煤炭学报. 2013(07)
[6]基于自适应线性逻辑网络的风电功率预测方法性能评估与分析[J]. 王媛媛,秦政,张超,包德梅,赖晓路,岳以洋.  可再生能源. 2013(06)
[7]基于GA-BP与多隐层BP网络模型的水质预测及比较分析[J]. 王泽平.  水资源与水工程学报. 2013(03)
[8]基于小波Elman神经网络的短期风速预测[J]. 刘欢,刘吉臻,张文广,张超.  华东电力. 2013(04)
[9]基于动态权重的风电功率组合预测方法研究[J]. 杨茂,贾云彭,钱为,陈琳.  东北电力大学学报. 2013(Z1)
[10]基于风功率预测的风电场平滑控制电池容量的需求分析[J]. 潘文霞,傅中兴,王鹏飞,何海平.  太阳能学报. 2013(03)



本文编号：3724408