基于改进BP神经网络的风电功率预测方法研究
发布时间：2020-12-21 17:42
随着能源需求的急剧增长,传统的能源已不能满足经济绿色发展的需要,利用可再生能源已经成为世界各国的普遍共识。风能以其低碳、可再生的优点,在世界范围内得到了广泛关注。然而,风电固有的随机性、波动性和间歇性可能导致风能输出的巨大波动,甚至对电网的安全性和稳定性造成危害。风电功率预测技术是解决风电不确定性负面影响的关键方法之一。近年来,随着大数据平台的建设和人工智能技术的发展,基于深度学习的风电功率预测已经成为一个热门的研究方向。反向传播(BP)神经网络具有执行速度快,鲁棒性强,有效学习能力强的优点,已被广泛用于许多研究和应用领域。BP神经网络非常适用于黑箱建模问题,近年来,深度神经网络在人工智能领域所占的比例越来越大,作为其中一种最常用的神经网络,BP神经网络引起了广泛关注。本文将基于真实风电场数据,对BP神经网络在风力发电预测中的应用进行探究。本文的主要工作如下:1)首先,研究数据清理方法,对采集得到的风电机组数据进行分析,并基于四分位法进行清洗,以建立有效的风电功率预测数据集。2)其次,提出了一种基于组合损失函数的BP神经网络风电短期预测方法。该方法结合了三种损失函数:均方差损失函数,交...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
我国年度发电量结构情况[1]
浙江大学硕士学位论文第1章绪论2从20世纪70年代的世界性能源危机以来,许多国家都更加重视可再生能源的研究、开发与利用。事实上，我国一直致力于优化电源结构。根据国家统计局消息[1]，2017年全国发电量6.5万亿千瓦时，比上年增长5.9%。其中，火电增长5.1%，水电增长0.5%，核电增长16.3%，风电增长24.4%，太阳能发电增长57.1%。可再生能源包括水能、风能、太阳能发电所占的比重越来越大。相比太阳能、地热能、海洋能和生物质能等可再生能源，风能具有蕴量巨大、分布广泛、利用技术成熟等优点，是国际公认的最具有大规模开发和商业化潜力的可再生能源之一，合理地开发利用风能在延缓全球气候变暖、保护生态环境和推进可持续发展等方面具有十分重要的意义，风能的开发利用已经成为我国可持续发展战略的重要组成部分。1.2风电发展现状1.2.1全球风电发展现状2018年，全球新增风电装机容量为51.3GW，其中陆地风电装机容量为46.8GW，中国贡献了21.2GW。至2018年底，全球风电累计装机容量达591GW。预计到2023年，全球风电装机容量将达50GW以上，在亚洲、欧洲及北美新增风电装机容量将保持恒定，而非洲、中东、拉丁美洲及东南亚地区的风电装机容量将保持较快增长。截至2018年底，全球海上风电的总装机容量达23GW，预计在未来几年内，亚洲的海上风电装机量将快速上升，随后北美也将快速攀升，全球新增海上风电装机容量将达到年均6GW[2]。图1-2世界风电累计装机容量前十国家的风电装机情况
浙江大学硕士学位论文第1章绪论3近来年，全球风电装机总量呈加速上升态势。现在，风能已成为许多市场上最便宜的电力形式之一。在许多成熟和新兴市场中，风电装机容量首次超过了新的化石燃料装机容量。综合来看，到2018年底陆地风电装机总量中，中国贡献了36%，位居全球首位，美国占比17%，位居第二。而海上风电的装机总量英国以34%的占比领跑全球，其次是德国的28%，第三是中国，占比为20%。图1-32018年全球陆地和海上风电装机总量情况[2]综合前十年的全球风电产业，其发展特征和未来的发展趋势有如下几点[3-5]：（1）2018年全球风电新增装机容量中国占比为41%，预计至2023年，中国在全球风电新增装机容量占比仍达36%。2020-2023年中国将始终是全球风电第一大市常（2）分散式风电规模小但是潜力大，由于其可以切实提高风能利用率，推动产业发展需要，在发展中国家有很大的发展潜力。（3）海上风电虽然起步较晚，但是凭借海风资源的稳定性和发电功率大的特点，在人口密集的沿海地区，可以快速地建立起吉瓦级的海上风电场，海上风电近年来正在世界各地飞速发展。（4）机组大型化趋势更加明显，将有利于高效利用风能，节约资源。（5）随着风电预测手段的日臻丰富以及政策的不断倾斜，全球弃风弃电的情况有所改善。1.2.2我国风电发展现状我国的风能资源比较丰富，据全国气象站的测算，离地10m高全国平均风功率密度约为100W/m2，可开发的陆上风能储量达2.53亿kW，而近海可利用风能储量约有7.5亿kW，开发潜力巨大。根据2018年国家能源局印发的《可再生能源电力配额及考核办法（征求意见稿）》要求，全国非化石能源占能源消费比重到2020年和2030年分别达到15%和
【参考文献】：
期刊论文
[1]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)
[2]区域多风电场功率的分位数回归概率预测方法[J]. 王钊,王勃,冯双磊,王伟胜. 电网技术. 2020(04)
[3]基于二次模式分解和级联式深度学习的超短期风电功率预测[J]. 殷豪,欧祖宏,陈德,孟安波. 电网技术. 2020(02)
[4]结合多重聚类和分层聚类的超短期风电功率预测方法[J]. 彭晨宇,陈宁,高丙团. 电力系统自动化. 2020(02)
[5]计及风电场状态的风电功率超短期预测[J]. 杨茂,周宜. 中国电机工程学报. 2019(05)
[6]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[7]基于功率波动过程的风电功率短期预测及误差修正[J]. 丁明,张超,王勃,毕锐,缪乐颖,车建峰. 电力系统自动化. 2019(03)
[8]多时空尺度的风力发电预测方法综述[J]. 姜兆宇,贾庆山,管晓宏. 自动化学报. 2019(01)
[9]高比例风电系统的优化调度方法[J]. 葛晓琳,郝广东,夏澍,符杨. 电网技术. 2019(02)
[10]基于置信等效边界模型的风功率数据清洗方法[J]. 胡阳,乔依林. 电力系统自动化. 2018(15)
硕士论文
[1]大型风电机组功率曲线测试与评估方法研究[D]. 张泽龙.华北电力大学(北京) 2019
[2]风电功率预测算法研究[D]. 张军凯.浙江大学 2019
[3]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018
本文编号：2930219
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
我国年度发电量结构情况[1]
浙江大学硕士学位论文第1章绪论2从20世纪70年代的世界性能源危机以来,许多国家都更加重视可再生能源的研究、开发与利用。事实上，我国一直致力于优化电源结构。根据国家统计局消息[1]，2017年全国发电量6.5万亿千瓦时，比上年增长5.9%。其中，火电增长5.1%，水电增长0.5%，核电增长16.3%，风电增长24.4%，太阳能发电增长57.1%。可再生能源包括水能、风能、太阳能发电所占的比重越来越大。相比太阳能、地热能、海洋能和生物质能等可再生能源，风能具有蕴量巨大、分布广泛、利用技术成熟等优点，是国际公认的最具有大规模开发和商业化潜力的可再生能源之一，合理地开发利用风能在延缓全球气候变暖、保护生态环境和推进可持续发展等方面具有十分重要的意义，风能的开发利用已经成为我国可持续发展战略的重要组成部分。1.2风电发展现状1.2.1全球风电发展现状2018年，全球新增风电装机容量为51.3GW，其中陆地风电装机容量为46.8GW，中国贡献了21.2GW。至2018年底，全球风电累计装机容量达591GW。预计到2023年，全球风电装机容量将达50GW以上，在亚洲、欧洲及北美新增风电装机容量将保持恒定，而非洲、中东、拉丁美洲及东南亚地区的风电装机容量将保持较快增长。截至2018年底，全球海上风电的总装机容量达23GW，预计在未来几年内，亚洲的海上风电装机量将快速上升，随后北美也将快速攀升，全球新增海上风电装机容量将达到年均6GW[2]。图1-2世界风电累计装机容量前十国家的风电装机情况
浙江大学硕士学位论文第1章绪论3近来年，全球风电装机总量呈加速上升态势。现在，风能已成为许多市场上最便宜的电力形式之一。在许多成熟和新兴市场中，风电装机容量首次超过了新的化石燃料装机容量。综合来看，到2018年底陆地风电装机总量中，中国贡献了36%，位居全球首位，美国占比17%，位居第二。而海上风电的装机总量英国以34%的占比领跑全球，其次是德国的28%，第三是中国，占比为20%。图1-32018年全球陆地和海上风电装机总量情况[2]综合前十年的全球风电产业，其发展特征和未来的发展趋势有如下几点[3-5]：（1）2018年全球风电新增装机容量中国占比为41%，预计至2023年，中国在全球风电新增装机容量占比仍达36%。2020-2023年中国将始终是全球风电第一大市常（2）分散式风电规模小但是潜力大，由于其可以切实提高风能利用率，推动产业发展需要，在发展中国家有很大的发展潜力。（3）海上风电虽然起步较晚，但是凭借海风资源的稳定性和发电功率大的特点，在人口密集的沿海地区，可以快速地建立起吉瓦级的海上风电场，海上风电近年来正在世界各地飞速发展。（4）机组大型化趋势更加明显，将有利于高效利用风能，节约资源。（5）随着风电预测手段的日臻丰富以及政策的不断倾斜，全球弃风弃电的情况有所改善。1.2.2我国风电发展现状我国的风能资源比较丰富，据全国气象站的测算，离地10m高全国平均风功率密度约为100W/m2，可开发的陆上风能储量达2.53亿kW，而近海可利用风能储量约有7.5亿kW，开发潜力巨大。根据2018年国家能源局印发的《可再生能源电力配额及考核办法（征求意见稿）》要求，全国非化石能源占能源消费比重到2020年和2030年分别达到15%和
【参考文献】：
期刊论文
[1]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)
[2]区域多风电场功率的分位数回归概率预测方法[J]. 王钊,王勃,冯双磊,王伟胜. 电网技术. 2020(04)
[3]基于二次模式分解和级联式深度学习的超短期风电功率预测[J]. 殷豪,欧祖宏,陈德,孟安波. 电网技术. 2020(02)
[4]结合多重聚类和分层聚类的超短期风电功率预测方法[J]. 彭晨宇,陈宁,高丙团. 电力系统自动化. 2020(02)
[5]计及风电场状态的风电功率超短期预测[J]. 杨茂,周宜. 中国电机工程学报. 2019(05)
[6]深度学习在智能电网中的应用现状分析与展望[J]. 周念成,廖建权,王强钢,李春艳,李剑. 电力系统自动化. 2019(04)
[7]基于功率波动过程的风电功率短期预测及误差修正[J]. 丁明,张超,王勃,毕锐,缪乐颖,车建峰. 电力系统自动化. 2019(03)
[8]多时空尺度的风力发电预测方法综述[J]. 姜兆宇,贾庆山,管晓宏. 自动化学报. 2019(01)
[9]高比例风电系统的优化调度方法[J]. 葛晓琳,郝广东,夏澍,符杨. 电网技术. 2019(02)
[10]基于置信等效边界模型的风功率数据清洗方法[J]. 胡阳,乔依林. 电力系统自动化. 2018(15)
硕士论文
[1]大型风电机组功率曲线测试与评估方法研究[D]. 张泽龙.华北电力大学(北京) 2019
[2]风电功率预测算法研究[D]. 张军凯.浙江大学 2019
[3]基于深度学习的太阳能光伏发电短期预测方法[D]. 于佳弘.浙江大学 2018
本文编号：2930219
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2930219.html
