风电场出力的短期预测研究

论文摘要

风力的随机性和间歇性不能保证风电场输出平稳的电力,这对电力系统的稳定性以及发电安排和运行计划的制定带来了很多问题。对风电场出力进行短期预测,是减轻风电接入对电网造成的不利影响,提高电网中风机装机容量的一种有效途径。本文分别对0-5h和0-24h两个时间长度的风电场出力进行了预测。基于稳健估计运用时间序列法对风电场出力进行了0-5h预测。首先对数据进行了预处理,然后使用最小二乘法和稳健估计法分别建立了自回归滑动平均模型。通过模型提前预测了下个30分钟的风电场出力,总共预测了10次。结果表明,基于稳健估计的时间序列建模进行预测的误差大多数都在5%以内,只有一个点达到10.1%,明显比常规的时间序列建模预测的误差要小。说明稳健估计能在建模数据含有少量异常值时,比常规自回归模型预报精度要高。运用了广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引入数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15天的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,输入数值气象预报预测的未来一天的风速,预测功率。通过算例表明,使用广义回归神经网络模型预测未来一天的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.2 课题研究的目的与意义
• 1.3 课题研究的现状
• 1.3.1 风电场功率预测的分类
• 1.3.2 风电场短期功率预测的研究现状
• 1.4 本论文的研究工作
• 第2章 风电场功率预测技术
• 2.1 风电场概述
• 2.2 风电场运行数据的处理
• 2.3 风电场短期预测主要方法
• 2.4 误差分析
• 2.5 本章小结
• 第3章 时间序列法在风电场功率预测中的应用研究
• 3.1 时间序列模型
• 3.1.1 时间序列
• 3.1.2 时间序列模型概述
• 3.1.3 ARMA 模型三种形式
• 3.1.4 ARIMA（p,d,q）模型
• 3.2 时间序列模型建立过程
• 3.2.1 模型识别
• 3.2.2 参数估计
• 3.2.3 模型的检验
• 3.3 稳健估计
• 3.4 长自回归白噪化建模方法构建ARMA（p,q）
• 3.4.1 长自回归白噪化建模方法
• 3.4.2 基于稳健估计构建ARMA（p,q）
• 3.5 时间序列模型在风功率预测中的应用
• 3.5.1 数据处理
• 3.5.2 长自回归建模过程
• 3.5.3 预测结果及分析
• 3.6 本章小结
• 第4章 神经网络方法在风电场功率预测中的应用研究
• 4.1 人工神经网络
• 4.2 神经网络的基本知识
• 4.2.1 人工神经元模型
• 4.2.2 常用的基函数和激活函数
• 4.2.3 代表性的神经网络拓扑结构
• 4.3 RBNN 与GRNN 在结构与工作原理上的比较
• 4.3.1 RBNN 的结构与工作原理
• 4.3.2 广义回归神经网络GRNN 的结构与工作原理
• 4.4 基于广义回归神经网络（GRNN）的风功率预测
• 4.4.1 网络的输入
• 4.4.2 交叉验证
• 4.4.3 选取径向基函数的扩展常数spread
• 4.4.4 应用实例
• 4.5 加入数值天气预报信息预测风电场出力
• 4.6 本章小结
• 第5章 结论与展望
• 参考文献
• 攻读硕士学位期间发表的论文及其它成果
• 致谢
• 详细摘要