基于灰狼优化算法的风电场短期风速区间预测

摘要

随着环境污染、能源安全以及全球气候变暖等问题的日趋严重，风电作为重要的清洁能源，以其可再生、环保等优点蓬勃发展。但风速具有强波动性，对电网的安全稳定运行带来了很大影响，所以准确地预测风速或给出风速可能的波动范围具有重要的意义。现有的风速预测方法多为点预测，但对风速可能的变化范围研究的学者很少，技术尚不太成熟。对于点预测方法，误差是不可避免的，但如果可以根据点预测的原理，对风速进行区间预测，则能够为风力发电部门提供更多的风速不确定性信息，为风力发电的决策者提供更科学的参考。基于此，本文以综合目标函数PPA作为优化准则，提出了基于灰狼优化算法（GWO）和BP神经网络的混合区间预测模型CEEMD-GWO-PPA-BP。该预测模型主要包括三个步骤：（1）使用互补集合经验模态分解(CEEMD)算法，对原始的短期风速时间序列进行分解，获得若干IMFs以及一列残差；（2）利用GWO算法优化的BP神经网络对所有IMFs和残差进行预测；（3）以包括了预测区间覆盖率、预测区间平均带宽和累计带宽偏差三个指标的综合目标函数PPA为优化准则，根据经过GWO算法优化的多输入双输出的BP神经网络，对得到的每个IMF和残差的预测值进行集成预测，得到预测区间的上界和下界。同时，本文还从数据分解方法、优化算法和优化准则三方面进行了模型对比分析。分析结果表明，本篇文章提出的CEEMD-GWO-PPA-BP混合模型综合效果比对比模型具有更好的表现,在保证预测区间覆盖率和预测区间平均带宽无太大变化的前提下，能够明显的减小累计带宽偏差，获得更清晰准确的预测区间。

目录

声明

第一章 绪论

1.1 课题研究的背景与意义

1.2 研究进展

1.3 论文主要内容及章节安排

第二章 基于灰狼优化算法的BP神经网络

2.1 BP神经网络的基本原理

2.2 BP神经网络区间预测网络拓扑结构

2.3 灰狼优化算法（GWO）

第三章 分解算法

3. 1 经验模态分解(EMD)

3. 2 总体平均经验模态分解(EEMD)

3. 3 互补集合经验模态分解（CEEMD）

第四章 优化准则

4.1 综合优化准则PPA

4.2 其他优化准则

4.3 基于CEEMD-GWO-PPA-BP的短期风速区间预测

第五章 仿真研究

5.1 数据来源与数据预处理

5.2 神经网络结构选择

5.3 仿真结果与模型对比

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

在学期间的研究成果

致谢