短期風(fēng)速在線預(yù)測研究.pdf

1、風(fēng)能作為一種有著很好發(fā)展前景的可再生能源，對全球節(jié)能減排工程的實施具有重要的意義。然而，由于風(fēng)速具有不確定性和間歇性的特點，大規(guī)模的風(fēng)電并網(wǎng)將給電力系統(tǒng)運(yùn)行帶來巨大的影響。若能精確預(yù)測風(fēng)速，不但可以減少棄風(fēng)現(xiàn)象，優(yōu)化常規(guī)電源的日發(fā)電計劃與冷熱備用，而且有助于調(diào)整檢修計劃。另外，風(fēng)速固有的不確定性特性勢必會導(dǎo)致預(yù)測結(jié)果也存在不確定性，并且點預(yù)測(或確定性預(yù)測)無法全面地提供風(fēng)速的概率信息。相反地，基于概率區(qū)間的風(fēng)速預(yù)測能夠同時量化預(yù)測誤差

2、和相關(guān)概率，為電力市場交易提供重要的概率分布信息，進(jìn)而降低確定誤差所帶來的風(fēng)險。因此開展風(fēng)速預(yù)測(wind speed forecasting, WSF)工作對于未來主動配電網(wǎng)的發(fā)展意義重大。
　　首先，本論文在研究大量有關(guān)極限學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)的文獻(xiàn)的基礎(chǔ)上，提出了一種新的在線極限學(xué)習(xí)機(jī)算法(CFOS-ORELM)，該算法以魯棒極限學(xué)習(xí)機(jī)(ORELM)為基本模型，利用基于Cook

3、距離的遺忘因子(forgetting factor based on Cook’s distance, CF)實現(xiàn)在線貫序?qū)W習(xí)。為了進(jìn)一步預(yù)測模型的魯棒性，利用在線集成學(xué)習(xí)分析方法和有序聚合(online ensemble using ordered aggregation, OEOA)技術(shù)對預(yù)測性能好的模型通過加權(quán)來得到最終的預(yù)測值。在模型參數(shù)優(yōu)化階段，由帶自適應(yīng)變異機(jī)制的改進(jìn)縱橫交叉(Crisscross optimization

4、with Self-Adaptive Mutation, CSO-SAM)算法進(jìn)行全局尋優(yōu)得到預(yù)測模型最優(yōu)參數(shù)。
　　其次，考慮到風(fēng)速時間序列信號的復(fù)雜性，在數(shù)據(jù)預(yù)處理階段，本文采用啟發(fā)式分割算法(Bernaola Galvan algorithm, BGA)將非平穩(wěn)的風(fēng)速時間序列分割成若干子序列，使各子時間序列趨于平穩(wěn)。接著提出一種自適應(yīng)可變模式分解(adaptive variational mode decomposition

5、, AVMD)對各個子序列進(jìn)行分解。對于每個子模式，采用所提方法進(jìn)行預(yù)測，并將每個子模式的預(yù)測結(jié)果通過聚合來得到最終的風(fēng)速預(yù)測結(jié)果。
　　為了滿足電力系統(tǒng)中不確定性風(fēng)險評估和決策的需要，本文深入研究了概率性預(yù)測建模方法。本文研究的概率區(qū)間預(yù)測是基于數(shù)據(jù)驅(qū)動方法，利用時變混合Copula函數(shù)TVMCF確定性預(yù)測結(jié)果和預(yù)測誤差的相關(guān)關(guān)系，并得到在某一預(yù)測值的條件下，預(yù)測誤差的概率密度函數(shù)。最后利用預(yù)測誤差的條件概率分布來確定給定置信水

6、平下的預(yù)測區(qū)間。
　　最后，為了驗證本論文所提出的短期風(fēng)速確定性預(yù)測和概率性預(yù)測方法的有效性，利用美國國家可再生能源實驗室(National Renewable Energy Laboratory, NREL)提供的風(fēng)速時間序列進(jìn)行算例分析。仿真結(jié)果表明，(1)與基準(zhǔn)預(yù)測方法相比，本文提出的確定性預(yù)測方法預(yù)測精度更高；(2)在線預(yù)測模型能夠根據(jù)風(fēng)速的變化來更新模型參數(shù)，使得預(yù)測精度進(jìn)一步提高；(3)所提概率區(qū)間預(yù)測方法得到的預(yù)測值