風電場超短期功率組合預測方法研究.pdf

1、風力發(fā)電受風能特性的影響，由于風能的隨機性，風電功率具有間歇性和隨機波動性等不可控特征。隨著風能的大范圍開發(fā)利用，風電功率并網(wǎng)容量不斷增加，風電的波動特性對電網(wǎng)產生的潛在隱患也日益明顯。對風電場輸出功率進行超短期預測是解決電網(wǎng)調度控制難題的有效技術之一。而傳統(tǒng)的單一預測方法精度和預測的穩(wěn)定性無法滿足應用要求，結合多種預測手段的優(yōu)點和特征，開展組合預測成為提高超短期風電功率預測精度的和穩(wěn)定性的有效手段。本文根據(jù)國內某風電場實測數(shù)據(jù)，通過結

2、合Theil不等系數(shù)和改進誘導有序加權算子建立了組合預測模型，對風電功率進行超短期預測研究，并設計了一套集成化風電功率預測平臺。
　　本研究主要內容包括：⑴以風電場參數(shù)為對象，給出了數(shù)據(jù)預處理方法，并對風速、風電功率等核心參數(shù)的特性進行了分析。同時研究了預測誤差的來源，建立了多指標預測誤差評價體系。⑵利用小波神經網(wǎng)絡（Wavelet Neural Network，WNN）、遺傳算法優(yōu)化BP神經網(wǎng)絡（Genetic Algorith

3、m-Back Propagation，GA-BP）、支持向量機算法（Support Vector Machine，SVM）和時間序列算法中自回歸滑動平均模型（Auto Regressive Moving Average model，ARMA）四種單一預測模型對風電功率進行了10min和1h兩個時間尺度的超短期預測。結果表明，SVM在提前10min的預測效果最好，對于提前1h的預測，而是GA-BP表現(xiàn)最好。⑶提出了一種結合Theil不等系

4、數(shù)和改進的誘導有序加權算子的組合預測算法。先采用誤差信息矩陣進行冗余度分析，發(fā)現(xiàn)WNN模型是冗余模型。由于在實際情況下預測時刻的實際值未知，引入的三種誘導有序加權算子不能直接使用，所以對其進行了改進，即取各個單一預測模型前幾個時刻的預測精度均值作為三種算子的誘導值。通過對提前10min和1h兩個時間尺度的實例分析，結果表明：IOWA組合模型能有效提高風電場輸出功率的超短期預測精度。⑷設計了一套集成化風電功率預測平臺，通過軟件功能模塊、平