基于極限向量機的風電功率預測方法研究.pdf

1、由于風電功率具有強隨機性與間歇性，大規(guī)模的風電并網會給電力系統(tǒng)的安全和經濟運行帶來諸多挑戰(zhàn)。為此，需要深入研究風功率的預測方法和技術，為電力系統(tǒng)優(yōu)化運行提供日前甚至實時的風電出力預估值，以幫助電力調度人員制定常規(guī)能源的發(fā)電計劃。這對于提高電力系統(tǒng)的風電消納能力，進一步改變我國的能源構成具有重要意義。
　　現有的風電功率預測方法，尚難以滿足系統(tǒng)調度的精度需求。尤其是在較強的天氣波動條件下，傳統(tǒng)的預測方法由于缺乏對隨機性場景有效的泛化

2、預測，會導致某些時刻的預測誤差激增，可能給電力系統(tǒng)的可靠、經濟運行帶來很大影響。
　　針對此問題，本文通過建立能夠處理強隨機性風電功率特點的預測模型，研究了對多種預測計算結果中的有效信息提取和組合方法;采用三種向量機算法進行風功率預測方法評估，并將其應用于組合預測模型。這些研究，可以有效地提高風電功率預測精度，提供分散預測風險的技術手段。主要研究工作包括:
　　(1)基于并行支持向量機的風電功率預測方法研究
　　建立了

3、兩種支持向量機風電功率預測模型，包括:最小二乘支持向量機模型(LS-SVM)、并行支持向量機模型(P-SVM);通過分析輸入量對預測的影響原理，選取模型輸入變量，以中國某風電場實際運行數據為例驗證模型效果。研究結果表明:兩種支持向量機預測方法在各季節(jié)均能達標，相比較而言，并行支持向量機效果更佳（14.44％和16.08％）;其中在波動性較強的春秋兩季誤差最大，需要建立更能描繪隨機性的預測模型。
　　(2)基于極限向量機的風電功率預

4、測方法研究
　　建立了基于極限向量機的風電功率預測模型，可以通過隨機生成隱層節(jié)點的學習策略描繪風電功率的隨機波動特征，增加了預測模型對風力發(fā)電過程中的隨機過程的模擬精度。實例分析結果表明:從整個月每個時刻點來看，預測效果均優(yōu)于支持向量機，全年平均RMSE為13.61％。
　　(3)基于三種向量機算法的組合預測研究
　　將上述三種向量機模型的結果根據誤差特點進行組合預測，分別采用定權重平均的線性組合法和多屬性決策的非線性