短期风电功率预测技术研究

论文摘要

随着一次能源的逐近枯竭和社会对环保的要求日益增强,风能等新能源产业发展迅猛,风电在电网中的比例不断增加。然而风力发电具有随机波动性和不可控性的特点,大规模风电并网将给电力系统的安全运行及电能质量带来严峻的挑战。风电功率预测技术作为有效应对风电接入的关键技术之一,对指导系统调度运行、风电场生产安排具有十分重大的意义,在计及风电并网的现代电网运行过程中发挥着越来越大的作用。本文结合风电功率预测实际应用需求,对短期风电功率预测技术进行了深入的研究,主要工作如下:1、基于传统时间序列的自回归滑动平均ARMA模型,提出风电功率预测的ARMAX-GARCH模型,该模型能够同时考虑多变量因素的影响,并利用误差修正预测结果。应用该方法对某风场实际数据进行功率预测,验证了该模型能有效提高预测精度。2、研究风电功率预测的BP神经网络模型,引入小波分解技术解决风电功率数据波动规律性差的问题,提出基于小波分解和BP神经网络的风电功率预测模型。同时,为克服BP网络易陷入局部极小、隐层节点数的选取缺乏指导等缺点,对BP算法进行了改进。经算例验证,该方法能有效提高预测精度。3、研究风电功率预测的不确定性预测方法。分析基于前一时刻风速的风电功率条件概率密度分布的统计规律,基于该条件概率密度拟合分布估算不同置信水平下的置信区间,并应用实际算例验证了该方法的有效性。4、研究风电功率预测的连续多步预测方法,基于模糊聚类分析技术实现对未来4小时每间隔15min的超短期预测和未来24小时每间隔1小时的短期预测,解决在缺乏数值天气预报数据情况下的连续多步预测难以实现的困难。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 选题背景及意义
• 1.2 风电功率预测技术和方法
• 1.2.1 不采用数值天气预报的预测模型
• 1.2.2 采用数值天气预报的预测模型
• 1.3 风电功率预测研究动态
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.3.3 预测风险和不确定性预测
• 1.4 本文的主要工作及研究内容
• 第二章 基于随机时间序列模型的短期风电功率预测
• 2.1 时间序列的ARMA 模型
• 2.1.1 ARMA 模型形式
• 2.1.2 ARMA 建模过程
• 2.1.3 ARMA 模型预测
• 2.2 时间序列的GARCH 模型
• 2.2.1 GARCH 模型
• 2.2.2 GARCH 建模
• 2.3 风电功率预测的ARMAX-GARCH 模型
• 2.3.1 ARMAX 模型
• 2.3.2 ARMAX-GARCH 模型
• 2.3.3 ARMAX（n,m,Ny）-GARCH（p,q）建模过程
• 2.4 算例分析
• 2.4.1 风电功率预测误差评价指标
• 2.4.2 数据预处理
• 2.4.3 基于ARMA 的短期风电功率预测
• 2.4.4 基于ARMAX-GARCH 的短期风电功率预测
• 2.5 小结
• 第三章 基于小波分析和改进BP 神经网络的短期风电功率预测
• 3.1 小波分析理论
• 3.1.1 小波变换
• 3.1.2 Mallat 算法
• 3.2 BP 神经网络
• 3.2.1 BP 神经网络
• 3.2.2 训练算法的改进
• 3.2.3 隐层神经元的网络修剪
• 3.3 基于小波分解和BP 神经网络的短期风电功率预测
• 3.3.1 样本预处理
• 3.3.2 基于小波分解的改进BP 神经网络预测模型
• 3.3.3 算例分析
• 3.4 小结
• 第四章 短期风电功率的不确定性预测
• 4.1 不确定性预测概述
• 4.1.1 不确定性预测
• 4.1.2 国外研究现状
• 4.2 风机输出功率的条件概率密度分布
• 4.2.1 风机输出功率变化特性
• 4.2.2 功率的条件概率分布特征
• 4.2.3 功率的条件概率分布拟合
• 4.3 基于功率条件概率分布的不确定性预测
• 4.3.1 风电功率的置信区间估计
• 4.3.2 算例分析
• 4.4 小结
• 第五章 基于模糊聚类分析的超短期/短期风电功率连续预测
• 5.1 风电功率的连续预测
• 5.2 基于模糊聚类的风电功率连续预测
• 5.2.1 模糊聚类分析
• 5.2.2 基于模糊聚类的连续预测
• 5.3 算例分析
• 5.4 小结
• 第六章 总结与展望
• 参考文献
• 发表论文和参加科研情况说明
• 致谢