風(fēng)電功率預(yù)測(cè)算法研究.pdf

1、當(dāng)化石能源儲(chǔ)量逐漸減少、霧霾肆意危害人類健康、能源產(chǎn)業(yè)逐漸發(fā)生轉(zhuǎn)變之時(shí)，以清潔、可再生、儲(chǔ)量豐富等特性為代表的新能源正在以一種強(qiáng)勁的勢(shì)頭改變著人類對(duì)傳統(tǒng)能源的認(rèn)知。我國(guó)的風(fēng)能、太陽(yáng)能等清潔能源蘊(yùn)含豐富，分布廣泛。隨著經(jīng)濟(jì)發(fā)展對(duì)能源需求的日益增大，以及我國(guó)特高壓線路的建設(shè)，風(fēng)電的并網(wǎng)容量和使用率也都成倍增加。但是，在風(fēng)電并網(wǎng)時(shí)，由風(fēng)速間歇性造成的電壓波動(dòng)和頻率偏差等電能質(zhì)量問題，將對(duì)電網(wǎng)的區(qū)域互聯(lián)和能源全球化戰(zhàn)略造成一定阻礙。為了消除社會(huì)

2、對(duì)風(fēng)電的爭(zhēng)議、避免棄風(fēng)現(xiàn)象、構(gòu)建電網(wǎng)友好型風(fēng)電場(chǎng)，相關(guān)部門要求風(fēng)電場(chǎng)能夠采用風(fēng)電預(yù)測(cè)技術(shù)合理配置風(fēng)機(jī)旋轉(zhuǎn)備用容量、大幅減小風(fēng)電場(chǎng)儲(chǔ)能裝置的容量。并且，合理的風(fēng)電調(diào)度計(jì)劃將成為確保風(fēng)電成為可控性能源和順利并網(wǎng)的重要支撐。因此，在進(jìn)行電力調(diào)度計(jì)劃的制定時(shí)，電網(wǎng)對(duì)風(fēng)電場(chǎng)上傳滾動(dòng)預(yù)測(cè)信息的準(zhǔn)確性進(jìn)行了更加嚴(yán)格的把控。為此，本文依據(jù)山西某風(fēng)電場(chǎng)的風(fēng)能特點(diǎn)，對(duì)風(fēng)電功率的預(yù)測(cè)方法進(jìn)行了深入研究。
　　本文以測(cè)風(fēng)塔數(shù)據(jù)為依據(jù)，將人工智能、模式識(shí)別

3、、信號(hào)分解與群體智能技術(shù)相融合，在研究風(fēng)電性能和影響風(fēng)電出力各種因素的基礎(chǔ)上，建立了風(fēng)電功率預(yù)測(cè)模型，并根據(jù)仿真得到預(yù)測(cè)結(jié)果，對(duì)其進(jìn)行了一系列的優(yōu)化和改進(jìn)，獲得了最優(yōu)預(yù)測(cè)模型。
　　在對(duì)風(fēng)電特性和影響風(fēng)機(jī)出力的相關(guān)因素進(jìn)行定量分析基礎(chǔ)上，采用果蠅算法FOA優(yōu)化支持向量機(jī)SVM，建立了FOA-SVM預(yù)測(cè)模型，實(shí)現(xiàn)了風(fēng)電功率滾動(dòng)預(yù)測(cè)。針對(duì)FOA易受局部極值干擾的缺點(diǎn)，提出了基于高斯擾動(dòng)的模擬退火果蠅算法GDSAFOA，增強(qiáng)了FOA的優(yōu)

4、化能力，建立了GDSAFOA-SVM預(yù)測(cè)模型，通過GDSAFOA對(duì)SVM進(jìn)行參數(shù)尋優(yōu)，構(gòu)建了更加合理的SVM回歸超平面、提高了預(yù)測(cè)精度。
　　為了提高學(xué)習(xí)模型中訓(xùn)練樣本與預(yù)測(cè)樣本的相似性，削減不相關(guān)數(shù)據(jù)的干擾，采用 GDSAFOA優(yōu)化模糊 C均值算法 FCM，建立了GDSAFOA-FCM聚類模型，將 GDSAFOA-FCM聚類模型與GDSAFOA-SVM預(yù)測(cè)模型結(jié)合，建立了GDSAFOA-FCM-SVM預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)具有相似特

5、征的歷史日與預(yù)測(cè)日的數(shù)據(jù)聚類，提高了GDSAFOA-SVM預(yù)測(cè)精度。在GDSAFOA-FCM的優(yōu)化結(jié)果中，有些相似日與預(yù)測(cè)日的波動(dòng)程度相差較大，直接影響預(yù)測(cè)精度。為了增加訓(xùn)練樣本與預(yù)測(cè)樣本波動(dòng)程度的相似性，提出了將湍流值IT引入FCM算法，并以IT作為相似日的特征信息，對(duì)相似日的波動(dòng)性進(jìn)行約束，建立了GDSAFOA-FCM-IT聚類模型，對(duì)GDSAFOA-FCM模型進(jìn)行了改進(jìn)，將歷史日中風(fēng)電功率波動(dòng)與預(yù)測(cè)日風(fēng)電功率波動(dòng)偏差大的樣本刪除，

6、保留風(fēng)電功率波動(dòng)趨勢(shì)和幅值相近的數(shù)據(jù)，并結(jié)合 GDSAFOA-SVM建立了GDSAFOA-FCM-IT-SVM預(yù)測(cè)模型，對(duì)GDSAFOA-FCM-SVM模型進(jìn)行了改進(jìn)，提高了預(yù)測(cè)精度。
　　為抑制風(fēng)的波動(dòng)，分別采用集合經(jīng)驗(yàn)?zāi)B(tài)EEMD和經(jīng)驗(yàn)?zāi)B(tài)EMD算法將風(fēng)電功率信號(hào)進(jìn)行平穩(wěn)化處理，并對(duì)EEMD和EMD性能進(jìn)行比較，建立了EEMD-GDSAFOA-FCM-IT-SVM組合模型，該模型能夠在預(yù)測(cè)時(shí)，對(duì)風(fēng)電功率自身的波動(dòng)進(jìn)行抑制，實(shí)現(xiàn)