基于EEMD-ANFIS的短期风电功率预测研究

摘要

由于风能的非平稳性和波动性，风电功率的大规模并网将会给电网带来非常大的冲击。对于风电功率的精准预测不仅有利于电网的调度，还可以提高风电功率的利用效率以及保证电网的稳定运行。本文先从用于风电功率预测的风数据着手，对其中的不健全数据进行校正，从源头上减小误差;然后，不只是考虑算法，还根据风速和风电功率的数据特性建立风电功率预测模型，实现风电功率的短期预测，主要研究内容如下:
　　首先，基于风电场实测的风速和风电功率数据的系列研究发现:风速和风电功率是随机性很强的数据，它们表现出非线性和非平稳性特征，同时风电功率的最大Lyapunov指数指明该数据具有混沌特性。
　　其次，针对实测风数据中存在数据缺失和异常问题，采用综合学习粒子群(CLPSO)算法优化的最小二乘支持向量机(LSSVM)模型，即CLPSO-LSSVM模型作为上述不健全数据的校正模型，以相关系数作为评价指标和常用模型的校正结果展开对比，验证本校正模型的有效性。
　　最后，根据风速与风电功率数据的非平稳和非线性特性，组建EEMD-ANFIS预测模型，先使用聚类经验模态分解(EEMD)算法将上述数据分解为一系列相对平稳的分量，然后建立各分量的自适应神经模糊推理系统(ANFIS)预测模型，最后将各分量的预测结果相加得到总的预测结果。又分别结合气象因素对风电功率的影响、风电功率的混沌特性、风速到风电功率的转换曲线建立了三种基于EEMD-ANFIS的预测模型，评价三种预测模型的精度高低以判定出最好的预测模型。

目录

声明

摘要

第1章 绪论

1．1 风力发电发展的背景

1．2 风电功率预测研究的意义和目的

1．3 国内外研究现状

1．3．1 国外风电功率预测技术发展

1．3．2 国内风电功率预测技术发展

1．4 风电功率预测中存在的问题

1．5 本文的主要研究工作

第2章 风数据与风电功率数据的特性

2．1 风数据的特点

2．1．1 风的构成

2．1．2 风电场风速随时间变化的特点

2．1．3 风速与风电功率的关系

2．2 风速和风电功率的非线性以及非平稳性

2．2．1 风速和风电功率的非线性

2．2．2 风速和风电功率的非平稳性

2．3 风电功率的混沌特性分析

2．4 本章小结

第3章 实测风数据的校正

3．1 风数据的校验与更正补充

3．1．1 风数据的校验方法

3．1．2 常用的插补模型

3．2 CLPSO-LSSVM模型

3．2．1 LSSVM模型

3．2．2 CLPSO模型

3．2．3 CLPSO-LSSVM模型

3．3 插补模型的比较和评价指标提出

3．3．1 插补模型的精度比较

3．3．2 风数据的相关性分析

3．4 风数据插补

3．5 本章小结

第4章 基于EEMD和ANFIS的风电功率预测

4．1 EEMD和ANFIS原理

4．1．1 EEMD原理

4．1．2 自适应神经模糊推理系统

4．1．3 EEMD-ANFIS预测方法

4．2 相空间重构

4．2．1 延迟时间的求取

4．2．2 嵌入维数求取

4．3 考虑气象因素影响的风电功率预测

4．4 基于相空间重构的风电功率预测

4．5 基于风功率曲线的风电功率间接预测

4．6 三种预测方法分析

4．7 本章小结

第5章 结论与展望

致谢

参考文献

附录1 攻读硕士学位期间发表的论文