风电场风速短期多步预测方法的研究

论文摘要

目前,我国风力发电产业正处于迅猛发展的阶段。但是风能是不稳定的能源,大量风电场并网发电,会给电网的稳定性带来问题。电力调度部门也需要预先了解风电场未来数小时的输出功率,以合理的安排调度计划。这就需要研究风力发电功率短期预测问题。而风速预测通常是风电功率预测的首要步骤。本文在研究风速特性的基础上,提出了一种基于最小二乘支持向量机与时间序列法的组合方法,实现了提前三小时预测风电场各小时平均风速的功能。首先,将风速序列进行小波降噪处理,分成趋势分量(低频部分)与随机分量(高频部分);然后,将相似理论引入短期风速预测中,对趋势分量建立基于最小二乘支持向量机的模型,进行多步回归预测;再根据随机分量平稳性的特点,建立时间序列模型进行多步预测。最后将两模型预测的结果相叠加经过修正后得到预测值。通过比较不同方法对长岭风电场实测风速的预测结果,本文方法要优于常用的持续法和神经网络法。由于本文方法建立在风速变化特性的基础上,在多步预测场合,适用性更强,预测精度更高。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景及选题意义
• 1.2 国内外研究现状
• 1.3 论文的主要工作
• 2 风电场风速特性分析
• 2.1 风的特性
• 2.1.1 风的形成及影响因素
• 2.1.2 风速特性
• 2.2 基于小波理论的风速特性分析
• 2.2.1 信号降噪中的小波分析
• 2.2.2 风速序列的小波分析
• 2.3 本章小结
• 3 基于最小二乘支持向量机的预测模型
• 3.1 支持向量机
• 3.1.1 支持向量机的概念
• 3.1.2 支持向量机用于回归
• 3.1.3 支持向量机的核函数
• 3.2 最小二乘支持向量机
• 3.2.1 最小二乘支持机用于回归
• 3.2.2 相关参数的设定
• 3.2.3 基于最小二乘支持向量机的预测模型
• 3.3 预测实例
• 3.4 本章小结
• 4 基于时间序列法的预测模型
• 4.1 时间序列分析概述
• 4.2 基于时间序列的预测模型
• 4.2.1 ARMA模型
• 4.2.2 建模步骤
• 4.3 预测实例
• 4.4 本章小结
• 5 长岭风电场风速短期多步预测
• 5.1 长岭风电场风速特性分析
• 5.2 预测模型
• 5.2.1 模型假设
• 5.2.2 建模步骤
• 5.3 预测结果
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢