基于高斯过程回归的风电场短期风速预测方法研究

摘要

风能作为一种无污染可再生能源，受到了全世界的广泛关注。风力发电是当今利用风能的最主要技术之一，但风速较强的随机性导致风电具有间歇性，大规模风电接入电网会对电力系统的安全与稳定造成不利的影响。对风速进行比较准确的预测，则有利于电网调度部门及时调整调度计划，提高电力系统的安全与稳定。因此，对风电场风速的预测研究具有极其重要的意义。
　　本文对风电场短期风速预测方法进行了深入的研究。针对传统高斯过程回归模型中用共轭梯度法对超参数寻优的不足，提出了一种改进的高斯过程回归模型，即用量子粒子群算法代替共轭梯度法对超参数进行寻优。并用改进后模型对风电场短期风速进行了预测，实例仿真表明，改进后模型的预测精度得到了提高。
　　针对风速的非平稳性，提出了一种基于变分模态分解和改进的高斯过程回归的混合模型预测法。该方法首先用变分模态分解对风速进行分解，然后对分解后的各个分量别建立改进的高斯过程回归模型并预测，将各分量的预测值叠加得到风速预测值。为了更好的比较模型的优劣性，还建立了基于经验模态分解和改进的高斯过程回归的混合模型。仿真结果与误差分析表明，基于变分模态分解和改进的高斯过程回归的混合模型可以有效提高风速预测精度，证明了该预测方法的可行性，为风速预测精度的提高提供了新的思路。

目录

声明

摘要

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文所做主要工作

1．4 论文的组织结构

2．1 风的形成

2．2 风速变化特性

2．3 风电场风速数据的采集

2．4 风电场风速与风力发电功率

2．5 本章小结

第3章 基于高斯过程回归的短期风速预测

3．1 高斯过程回归理论

3．1．1 权值空间论

3．1．2 函数空间论

3．1．3 核函数类型

3．3．4 超参数求取

3．2 基于GPR的短期风速预测流程

3．3 基于GPR的短期风速预测仿真分析

3．3．1 基于GPR的短期风速预测模型的建立

3．3．2 模型评价指标

3．3．3 预测结果及分析

3．4 本章小结

第4章 基于改进的高斯过程回归的短期风速预测

4．1 粒子群算法

4．2 量子粒子群算法

4．3 基于QPSO-GPR的短期风速预测流程

4．4 基于QPSO-GPR的短期风速预测仿真分析

4．5 本章小结

第5章 基于经验模态分解和改进的高斯过程回归的短期风速预测

5．1 经验模态分解原理

5．2 基于EMD和QPSO-GPR的短期风速预测流程

5．3 基于EMD-QPSO-GPR的风速预测仿真分析

5．3．1 风速序列的EMD分解

5．3．2 模型参数的取值

5．3．3 预测结果

5．4 本章小结

第6章 基于变分模态分解和改进的高斯过程回归的短期风速预测

6．1 变分模态分解算法原理

6．1．1 变分问题的构造

6．1．2 变分问题的求解

6．1．3 VMD算法步骤

6．3 基于VMD-QPSO-GPR的风速预测仿真分析

6．3．1 风速序列的VMD分解

6．3．2 模型参数的取值

6．3．3 预测结果

6．3．4 几种不同模型预测误差比较

6．4 本章小结

7．1 结论

7．2 展望

致谢

参考文献

附录1 攻读硕士学位期间发表的论文