灰色BP神经网络风电功率预测应用研究

摘要

风电功率预测对于风电场制定电力调度计划和维修计划具有十分重要的意义。论文主要针对目前国内风电场数值天气预报系统不够健全，使得风电场功率预测准确度不高，给电力调度计划和维修计划的制定带来了困难的问题，提出基于优化的灰色GM(1，1)模型和BP(BackPropagation，反向传播)神经网络相结合的方法对风电场输出功率进行预测。
　　首先，分析了新建风电场和已建风电场功率预测方法的差异性，提出针对这两类风电场功率预测的不同方案。方案一:针对投入使用且运行成熟的已建电厂的功率预测，采用优化的灰色GM(1，1)模型对已建电厂历史记录数据进行预测，将预测得到的数据作为BP神经网络的输入值进行功率预测;方案二:针对新建电厂的功率预测，利用优化的灰色GM(1，1)模型对考虑尾流效应风速和其他影响风电场功率输出的参数进行预测，预测得到的数据作为BP神经网络的输入值进行功率预测。
　　其次，利用数值逼近算法对灰色GM(1，1)模型进行了优化，其目的是解决传统灰色GM(1，1)模型预测非线性数值时预测结果误差过大的问题，采用优化灰色GM(1，1)模型来提高功率预测结果准确度。通过数学推导和模型改进，优化后的灰色GM(1，1)模型对风速、风向、气温等气象数据预测时，其结果误差明显降低，风速预测相对误差降低34.3％，小于1％的风向预测相对误差占总样本数的98.6％，小于10％的环境温度预测相对误差占总样本数的82.5％，预测效果较好。
　　再次，对两个方案利用BP神经网络得到的功率预测结果进行了分析。方案一功率预测结果均方根误差单台机组为16.84％，整个风电场为18.22％。方案二功率预测结果均方根误差单台机组为19.74％，整个风电场为24.08％。计算表明，除方案二整个风电场功率预测误差超过20％外，其它预测效果较好，证明了所提方案的可行性。
　　最后，论文对预测误差进行了分析，针对引起预测结果误差的原因提出了几点风电场数据采集方面的要求及建议。

目录

声明

摘要

1 绪论

1．1 选题背景及意义

1．2 国内外研究概况

1．2．1 风电功率预测研究的国外现状

1．2．2 风电功率预测研究的国内现状

1．3 主要研究工作内容

2 风速预测方法基本原理及应用

2．1 风电功率预测方案

2．1．1 风电功率预测方案一

2．1．2 风电功率预测方案二

2．2 建模方法的确定

2．2．1 影响风电功率的因素

2．2．2 灰色理论基本内容及应用

2．2．3 考虑尾流效应风速模型

3 优化的灰色GM(1，1)模型风速预测

3．1 灰色GM(1，1)预测模型建模方法研究

3．1．1 灰色GM(1，1)预测模型基本原理

3．1．2 灰色GM(1，1)模型风速预测缺点

3．2 数值逼近算法对灰色GM(1，1)预测模型的优化

3．2．1 l2数值逼近算法基本原理

3．2．2 l2数值逼近算法优化灰色GM(1，1)预测模型

3．3 优化灰色GM(1，1)模型风速预测

3．3．1 风速预测

3．3．2 预测效果评估

3．3．3 优化灰色GM(1，1)模型对风向、温度参数的预测

4 考虑尾流效应风速模型预测

4．1 考虑尾流效应风速预测方法研究

4．1．1 Jensen尾流效应模型

4．1．2 Lissaman尾流效应模型

4．2 考虑尾流效应风速动态模型

4．3 风速修正

5 基于BP神经网络的风电功率预测仿真

5．1 BP神经网络预测模型基本原理

5．2 灰色BP神经网络模型功率预测

5．2．1 神经网络权值训练输入输出数据的设定

-5．2．2 权值训练及BP神经网络功率预测

5．2．3 风电功率预测输入数据的归一化

5．2．4 神经网络中各层权值函数的确定

5．3 风电功率预测误差分析

5．3．1 预测误差分析方法的确定

5．3．2 风电功率预测结果误差分析

结论

致谢

参考文献

攻读学位期间的研究成果