基于小波分析和支持向量機的風電功率預測.pdf

1、經(jīng)過“十一五”的快速發(fā)展，我國的風電裝機容量呈現(xiàn)井噴式的增長，對電力系統(tǒng)的影響越來越大。由于風電功率受風速和風向影響呈現(xiàn)出隨機性和波動性，大規(guī)模的風電并網(wǎng)對電力系統(tǒng)的安全穩(wěn)定運行帶來了嚴峻挑戰(zhàn)。因此，風電功率預報研究具有重要的理論和現(xiàn)實意義。
　　 國外的風電功率預報技術(shù)起步較早，有一些預報系統(tǒng)已經(jīng)成功運營。國內(nèi)的研究還處于起步階段，雖有一些系統(tǒng)問世，但在預測精度和可靠性方面仍有很大提升空間。
　　 本文在總結(jié)已有預測方

2、法的基礎(chǔ)上，針對基于時間序列的預報模式，研究提高風電功率預測精度的組合預測算法，提出了兩類基于小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的預測方法，同時開發(fā)了短期風電功率預報軟件。主要工作如下:
　　 首先，針對小波神經(jīng)網(wǎng)絡(luò)在風電功率預測中的問題，通過在隱含層增加一個偏移小波，自適應(yīng)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，有效減少了小波變換的冗余。通過對某風場風電功率預報的算例表明，偏移小波神經(jīng)網(wǎng)絡(luò)能夠避免陷入局部極小，有效提高風電功率的預報精度。
　　 其次，

3、提出了基于提升小波-支持向量機的風電功率預測方法。針對風電功率序列時變非線性的特點，利用提升小波變化將原始序列分解為不同頻段的細節(jié)信號和近似信號，再用支持向量機對這些序列進行回歸預測，將各自的輸出結(jié)果疊加得到預測的風電功率。同時，運用交叉驗證法優(yōu)化SVM的懲罰參數(shù)和核參數(shù)，有效提高了預測精度。算例表明，提升小波變化能夠反映風電功率數(shù)據(jù)的變化特征，為SVM的學習預測提供精確的樣本，提升小波-支持向量機預測方法的精度高，優(yōu)于現(xiàn)有的SVM預測

4、方法。
　　 再次，提出將小波包-支持向量機的預測方法用于風電功率預測，運用SVM對小波包分解后的子序列進行預測，然后將預測結(jié)果疊加得到風電功率預測曲線。同時采用降噪技術(shù)處理小波包分解得到的高頻分量，避免信號中夾雜的噪聲對預測結(jié)果的影響。將該方法應(yīng)用于某風電場功率數(shù)據(jù)，結(jié)果表明該方法能有效提高預測精度。
　　 本文運用VisualC開發(fā)了短期風電功率預報軟件，實現(xiàn)了對風電功率的短期預報。該系統(tǒng)用戶界面友好，支持組合使用多