风电场风速和输出功率的多尺度预测研究

摘要

风能作为一种无污染、可再生能源，已得到世界各国的高度重视，并成为迅速发展的新能源之一。目前，开发和利用风能的主要形式是大规模并网风力发电，对风电场风速和输出功率的准确预测可以减少电力系统运行成本和旋转备用，提高风电穿透功率极限，有利于调度部门及时调整计划，从而减轻风电对电网的影响。风电作为一种间歇性能源，具有很大的随机性和不可控制性，其输出功率的波动范围通常较大，速度较快，导致电网调峰、无功及电压控制十分困难，给电网的安全稳定及正常调度带来新的问题。当风电装机达到一定比例后，对风电场的输出功率准确预测是解决这一问题的有效途径。风电场输出功率预测按时间尺度划分，包括短期预测、中期预测和长期预测。然而，对风电场输出功率准确预测的前提就是对风电场所在区域的风速进行准确的预测。
　　 本文根据风速时间序列自身的特点，提出经验模式分解法与最小二乘支持向量机相结合对风电场风速进行以天为单位的短期预测；将小波变换与最小二乘支持向量机相结合对风电场风速进行以月为单位的中期预测；将经验模式分解与递推最小二乘法相结合对风电场风速进行以年为单位的长期预测。根据不同的预测时限，选择不同的预测模型。根据不同尺度的风速预测值，考虑具体风力发电机组的功率特性、机组效率和设备运行情况，可以得到风电场输出功率的短期、中期和长期预测值。

目录

文摘

英文文摘

论文说明：图表目录

声明

第1章绪论

1.1风力发电产业现状

1.1.1世界风电产业发展的总趋势

1.1.2国内风电产业的发展趋势

1.2课题依据及研究意义

1.3本课题主要研究内容及章节安排

第2章时间序列分析方法概述

2.1时间序列概述

2.2时间序列预测方法及模型概述

2.3平稳时间序列及其分析方法

2.3.1平稳时间序列

2.3.2平稳时间序列模型概述

2.4非平稳时间序列及其判定方法

2.5风速概述

2.6风速时间序列预测概述

第3章 基于经验模式分解与最小二乘支持向量机的风速短期预测

3.1经验模式分解法的提出和发展现状

3.2经验模式分解过程概述

3.3支持向量机发展概述

3.3.1支持向量机的基本原理

3.4最小二乘支持向量机

3.4.1最小二乘支持向量机概述

3.4.2最小二乘支持向量机基本原理

3.5基于EMD与LSSVM的非平稳时间序列预测方法

3.5.1训练样本集的建立

3.5.2核函数的选取及核参数的确定

3.6应用实例分析

3.6.1预测模型建立

3.6.2数据

3.5.3风速时间序列的EMD分解

3.5.4EMD与LSSVM混合预测过程

3.5.5短期风速预测结果

3.5.6误差分析

3.6本章小结

第4章 基于小波变换与最小二乘支持向量机的风速中期预测

4.1小波分析概述

4.1.1小波及其定义

4.2小波变换

4.2.1小波变换理论

4.2.2连续小波变换

4.2.3离散小波变换

4.2.4小波重构

4.2.5小波多尺度分析

4.3基于小波变换与最小二乘支持向量机的风速中期预测

4.3.1预测模型建立

4.3.2数据

4.3.3风速时间序列的小波分解

4.3.4 WT与LSSVM相结合的风速中期预测

4.3.5中期风速预测结果及误差分析

4.4本章小结

第5章 基于经验模式分解与递推最小二乘法的风速长期预测

5.1递推最小二乘法概述

5.1.1递推最小二乘法理论基础

5.1.2计算方法

5.2应用实例分析

5.2.1预测模型建立

5.2.2建模步骤及建模过程

5.3数据

5.4风速时间序列的经验模式分解

5.5长期风速预测结果及误差分析

5.6本章小结

第6章风电场输出功率多尺度预测建模

6.1输出功率多尺度预测方法概述

6.2人工神经网络概述

6.2.1BP神经网络模型

6.2.2BP神经网络的学习算法

6.3应用实例分析

6.3.1短期风速预测模型的建立

6.3.2数据

6.3.3风速时间序列的经验模式分解

6.3.4EMD与LSSVM混合预测

6.3.5风电场短期风速预测结果

6.3.6风电场输出功率短期预测

6.4风电场输出功率的多尺度预测模型

6.5本章小结

结论与展望

参考文献

致谢

附录攻读学位期间所发表的学术论文目录