基于模式识别的风电功率预测研究

论文摘要

风电功率预测对开发风能有着重要的意义,高精度的风电功率预测可以提高风电场发电效率,满足电网并网技术标准发展要求,提高电网的稳定性。本文对已有的风速预测方法进行了总结归类,分析了各类方法的优缺点。在此基础上,使用一种新颖的基于模式识别的方法,即Mycielski算法进行风电场风速预测,并使用串匹配的方式实现上述算法的功能。建立了基于该算法的风速预测模型。使用该模型对国内某地的风电场进行短期两小时风速预测,并对预测结果进行分析,发现该模型在数据平滑点处有较高的预测精度。对预测结果进行参数估计,发现Mycielski模型预测结果的形状参数和尺寸参数与实测数据相似度大,并且符合相似参数的威布尔分布,说明预测结果与实测风速有着相同的数据组成。对该预测模型的误差进行分析,发现Mycielski算法预测误差集中在以零为均线的两边,而且较为集中,并且符合正态分布。在此基础上,进行风电场短期六小时风速预测,使用直接预测六小时风速和滚动预测六小时风速两种方法实现上述预测,比较得知滚动式Mycielski有着较高的预测精度,并使用该预测结果进行风电场功率计算。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景及研究的背景
• 1.2 课题研究的目的和意义
• 1.2.1 准确预测风电功率预测的目的及意义
• 1.2.2 在风电功率预测中使用模式识别方法的目的及意义
• 1.3 国内外研究现状
• 1.3.1 国内外已开发使用的风电功率预测系统
• 1.3.2 国内外风电功率预测理论算法
• 1.4 风电功率预测的分类
• 1.4.1 按预测时间分类
• 1.4.2 按预测物理量分类
• 1.4.3 按预测数据输入类型分类
• 1.4.4 按预测对象范围分类
• 1.5 课题的主要工作
• 1.6 本章小结
• 第2章 风速及风电功率预测特性
• 2.1 摘要
• 2.2 风速及风电功率预测的基本过程
• 2.2.1 数据的收集和整理
• 2.2.2 数据预处理
• 2.2.3 建立风速预测模型进行预测工作
• 2.2.4 误差分析
• 2.3 风速及风电特性
• 2.3.1 风速的定义及特性
• 2.3.2 风速的周期变化
• 2.3.3 风电场风速预测与功率的预测
• 2.4 本章小结
• 第3章 Mycielski 算法的基本原理及实现过程
• 3.1 摘要
• 3.2 模式识别
• 3.2.1 模式识别定义
• 3.2.2 模式识别与模式匹配
• 3.2.3 串匹配的基本概念
• 3.2.4 文中将要出现的名词的定义
• 3.3 Mycielski 算法
• 3.3.1 算法详述
• 3.3.2 改进算法
• 3.4 算法的实现
• 3.4.1 串匹配算法的实现
• 3.4.2 KMP 匹配算法
• 3.5 本章小结
• 第4章 基于Mycielski 算法的风速预测
• 4.1 摘要
• 4.2 基于Mycielski 算法的风速预测模型的建立
• 4.2.1 风速区间离散化
• 4.2.2 对实测风速进行模式标识
• 4.2.3 对模式风速使用Mycielski 算法进行预测
• 4.3 Mycielski 算法超短期两小时风速预测分析
• 4.3.1 风速数据分析
• 4.3.2 基于Mycielski 算法的超短期2 小时风速预测
• 4.3.3 预测结果分布分析
• 4.3.4 预测结果误差分析
• 4.4 Mycielski 算法短期6 小时风速预测
• 4.5 本章小结
• 第5章 基于风速预测的风电场功率预测
• 5.1 摘要
• 5.2 风电场计算风功率的相关参数
• 5.2.1 风能密度
• 5.2.2 风况曲线
• 5.2.3 湍流强度
• 5.3 风电机组输出功率特性
• 5.4 尾流效应
• 5.4.1 Jensen 模型
• 5.4.2 Lissaman 模型
• 5.5 风电场等效模型
• 5.6 本章小结
• 第6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