风电场发电功率短期预测模型研究

论文摘要

随着地球上石化燃料的不断消耗和环境问题的日益严重,风能作为一种安全、洁净且无限的能源为改变全球能源结构提供了机会。风力发电是风能利用的主要形式,许多国家把发展风力发电纳入国家发展规划。由于自然风具有随机性、波动性和不可控性,风电场的发电功率波动较大。当穿越功率超过一定值时,会对并网系统的电能质量和电网的安全、稳定运行造成不良影响。高精度的风电功率预测可以及时改变调度计划、安排系统备用等,从而减少整体有功出力的波动,提高风电穿透功率极限,降低风电场并网给系统带来的影响,同时可以提高风电场在电力市场中的竞争能力。预测结果的精度会受到预测模型的选取的影响,而预测模型的选取在于根据数据序列的属性选择相适应的数学方法。利用C-C法可靠性高、计算速度快、能同时估计出延迟时间和嵌入维数的特点对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的饱和关联维数和最大Lyapunov指数,两者均证实了风电功率时间序列具有混沌属性,可采用混沌方法对其进行短期预测。在相空间重构的基础上,分别利用二阶、三阶和四阶的Volterra自适应滤波器对风电场发电功率进行了混沌预测并进行了分析。结果表明:基于Volterra自适应滤波器模型的预测结果可以有效反映出风电功率序列未来变化的趋势,并且可以达到较高的精度;但阶数不同,预测精度不同,阶数越低,精度越高。此外,还利用径向基函数（Radial Basis Function,RBF）神经网络模型对风电功率进行了混沌预测,预测结果同样可以达到较高的精度,但有一定的滞后特性。上述两种方法只需要风电场发电功率历史数据即可,实现简单,精度高,可为风电场发电功率混沌预测提供依据。相似日已经应用于电力负荷预测中,并取得了不错的效果。根据影响风电出力的因素,提出了风电场发电功率相似日的选择方法。设计了基于相似日和Chebyshev神经网络的风电功率短期预测模型:以大量历史日及其相似日所含风电出力样本对作为训练样本训练Chebyshev神经网络,输入待预测日的相似日样本于训练好的Chebyshev神经网络中,得出风电功率预测结果。根据云南某风电场数据对该模型进行验证,与持续法进行了比较,分析了预测误差及其概率分布。结果表明该预测模型具有较高的预测精度,预测误差符合正态分布,可为风电功率预测提供参考。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 课题的背景和意义
• 1.1.1 课题的背景
• 1.1.2 课题的意义
• 1.2 风电场风速和发电功率预测研究综述及不足
• 1.2.1 风电场风速和发电功率预测研究方法
• 1.2.2 目前研究方法的不足
• 1.3 风力发电简介
• 1.3.1 风电原理及特性
• 1.3.2 风力发电技术简介
• 1.3.3 风电场出力随机模型
• 1.4 本文主要工作
• 2 风电场发电功率时间序列属性研究
• 2.1 引言
• 2.2 时间序列的相空间重构理论
• 2.2.1 时间序列的相空间重构
• 2.2.2 延迟时间的确定
• 2.2.3 嵌入维数的确定
• 2.2.4 C-C 法确定重构相空间参数
• 2.3 混沌时间序列的识别
• 2.3.1 Lyapunov 指数
• 2.3.2 Wolf 法
• 2.3.3 小数据量法
• 2.4 风电场发电功率时间序列的属性研究
• 2.4.1 风电场简介及数据来源
• 2.4.2 风电场发电功率混沌识别
• 2.5 混沌时间序列预测方法概述
• 2.6 小结
• 3 基于 VOLTERRA 自适应滤波器的风电功率混沌预测
• 3.1 Volterra 级数展开式
• 3.2 Volterra 级数截断形式
• 3.3 Volterra 自适应滤波器预测模型
• 3.4 算例分析
• 3.5 小结
• 4 基于 RBF 神经网络的风电功率混沌预测
• 4.1 径向基函数
• 4.2 RBF 神经网络运算特性
• 4.3 RBF 神经网络结构及参数确定方法
• 4.3.1 聚类方法
• 4.3.2 最速梯度下降法
• 4.3.3 混合参数学习算法
• 4.4 风电功率混沌序列的RBF 神经网络预测方法
• 4.5 算例分析
• 4.6 小结
• 5 基于相似日和人工神经网络的风电功率短期预测
• 5.1 引言
• 5.2 风电场发电功率相似日的选择
• 5.2.1 影响风电出力的因素
• 5.2.2 相似日的选择方法
• 5.3 风电功率Chebyshev 神经网络预测模型
• 5.3.1 Chebyshev 正交基函数
• 5.3.2 多输入Chebyshev 神经网络建模
• 5.3.3 Chebyshev 神经网络衍生学习算法
• 5.3.4 本模型的预测原理
• 5.4 算例分析
• 5.4.1 神经网络的训练
• 5.4.2 风电功率预测结果
• 5.4.3 误差分析
• 5.5 小结
• 6 结论与展望
• 致谢
• 参考文献
• 附录：作者在攻读学位期间发表的论文目录