風(fēng)電場超短期功率組合預(yù)測方法研究.pdf

1、風(fēng)力發(fā)電受風(fēng)能特性的影響，由于風(fēng)能的隨機(jī)性，風(fēng)電功率具有間歇性和隨機(jī)波動(dòng)性等不可控特征。隨著風(fēng)能的大范圍開發(fā)利用，風(fēng)電功率并網(wǎng)容量不斷增加，風(fēng)電的波動(dòng)特性對電網(wǎng)產(chǎn)生的潛在隱患也日益明顯。對風(fēng)電場輸出功率進(jìn)行超短期預(yù)測是解決電網(wǎng)調(diào)度控制難題的有效技術(shù)之一。而傳統(tǒng)的單一預(yù)測方法精度和預(yù)測的穩(wěn)定性無法滿足應(yīng)用要求，結(jié)合多種預(yù)測手段的優(yōu)點(diǎn)和特征，開展組合預(yù)測成為提高超短期風(fēng)電功率預(yù)測精度的和穩(wěn)定性的有效手段。本文根據(jù)國內(nèi)某風(fēng)電場實(shí)測數(shù)據(jù)，通過結(jié)

2、合Theil不等系數(shù)和改進(jìn)誘導(dǎo)有序加權(quán)算子建立了組合預(yù)測模型，對風(fēng)電功率進(jìn)行超短期預(yù)測研究，并設(shè)計(jì)了一套集成化風(fēng)電功率預(yù)測平臺(tái)。
　　本研究主要內(nèi)容包括：⑴以風(fēng)電場參數(shù)為對象，給出了數(shù)據(jù)預(yù)處理方法，并對風(fēng)速、風(fēng)電功率等核心參數(shù)的特性進(jìn)行了分析。同時(shí)研究了預(yù)測誤差的來源，建立了多指標(biāo)預(yù)測誤差評價(jià)體系。⑵利用小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network，WNN）、遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（Genetic Algorith

3、m-Back Propagation，GA-BP）、支持向量機(jī)算法（Support Vector Machine，SVM）和時(shí)間序列算法中自回歸滑動(dòng)平均模型（Auto Regressive Moving Average model，ARMA）四種單一預(yù)測模型對風(fēng)電功率進(jìn)行了10min和1h兩個(gè)時(shí)間尺度的超短期預(yù)測。結(jié)果表明，SVM在提前10min的預(yù)測效果最好，對于提前1h的預(yù)測，而是GA-BP表現(xiàn)最好。⑶提出了一種結(jié)合Theil不等系

4、數(shù)和改進(jìn)的誘導(dǎo)有序加權(quán)算子的組合預(yù)測算法。先采用誤差信息矩陣進(jìn)行冗余度分析，發(fā)現(xiàn)WNN模型是冗余模型。由于在實(shí)際情況下預(yù)測時(shí)刻的實(shí)際值未知，引入的三種誘導(dǎo)有序加權(quán)算子不能直接使用，所以對其進(jìn)行了改進(jìn)，即取各個(gè)單一預(yù)測模型前幾個(gè)時(shí)刻的預(yù)測精度均值作為三種算子的誘導(dǎo)值。通過對提前10min和1h兩個(gè)時(shí)間尺度的實(shí)例分析，結(jié)果表明：IOWA組合模型能有效提高風(fēng)電場輸出功率的超短期預(yù)測精度。⑷設(shè)計(jì)了一套集成化風(fēng)電功率預(yù)測平臺(tái)，通過軟件功能模塊、平