风电场短期风速预测若干问题研究

摘要

随着传统化石能源的不断减少以及生态环境的持续恶化，发展可再生能源已成为应对能源危机，改善环境问题，实现人类社会可持续发展的关键所在。在众多可再生能源中，风能由于其所具有的不可替代的特点与优势，正处于高速发展阶段。开发和利用风资源可以有效改善能源危机、减少环境污染，因而有着极其重要的意义。当前，风能的开发和利用主要是通过大规模风力发电并网。然而，由于风的间歇性、波动性和随机性等特点，风电的出力情况会随着风的变化而变得不稳定，从而给电力系统的安全稳定运行带来严峻的挑战。为了解决这一问题，一个有效的途径是对风电场风速、风功率进行预测。本文根据当前风电场短期风速预测领域的研究现状，结合江苏、宁夏以及云南三个地区的风电场实际风速数据，针对点预测误差减小和预测结果不确定性量化问题进行研究，提出了多种方法用于提高点预测精度，量化预测结果的不确定性。具体来说，本文的研究工作主要包括:
　　(1)基于风电场短期风速预测领域的主流预测模型，即时间序列模型、神经网络模型以及支持向量机模型对三个风电场实际风速数据进行建模预测研究。比较分析了各单一模型的一步提前点预测效果以及基于直接预测和迭代预测的多步提前点预测效果。实验结果表明了单一预测模型的局限性以及研究组合预测模型的必要性。
　　(2)提出了一种基于集成学习的加权组合预测方法用于降低模型选择风险，提高点预测精度。所提出的方法组合了时间序列模型、神经网络模型以及支持向量机模型。这些模型的权重采用一种新的方法进行设置，该方法既考虑了各模型的历史预测精度又考虑了组合以后整体模型的泛化能力。将所提出的方法用于实际风速数据，验证了该方法的有效性。
　　(3)结合信号分解算法和机器学习模型，提出了一种新的分解组合模型用于提高风速点预测精度。所提出的方法首先采用经验模态分解算法对原始风速序列进行分解，然后根据分解得到的子序列构建特征并通过特征选择算法选取最相关的输入用于建模。在实际风速数据上的实验结果表明，相比于单一预测模型，分解组合模型可以显著提高点预测精度。
　　(4)针对预测结果不确定性量化问题，提出了一种基于径向基函数神经网络和非劣排序遗传算法的方法用于直接构建风速预测区间。采用多目标优化框架处理区间构建问题，即训练径向基函数神经网络使其产生的预测区间既要最大化覆盖率又要最小化区间宽度。为了降低参数空间的维度以及简化搜索复杂度，提出一个两步法用于训练神经网络。所提出的方法在实际风速集上进行了验证，表明了方法的有效性。
　　(5)提出了一种基于高斯过程回归的混合模型用于风电场短期风速概率预测。所提出的混合模型使用线性自回归模型提取风速序列的整体结构，并利用非线性高斯过程回归模型进一步对残差进行建模。为了提取数据中的不同特性，考虑了不同类型的协方差函数并进行组合。此外，采用了自动关联决定技术处理不同输入的相对重要性。在实际风速数据上的实验结果表明，所提出的方法既可以产生误差较小的点预测值，又可以产生质量较高的预测区间。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．1．1 世界风电发展现状

1．1．2 我国风电发展现状

1．1．3 风电场风电预测研究的意义

1．2 风电场风速及功率预测技术分类

1．2．1 按预测时间尺度分类

1．2．2 按输入数据类型分类

1．3 基于统计方法的国内外研究现状

1．3．1 时间序列模型

1．3．2 机器学习模型

1．3．3 组合(混合)预测模型

1．4 论文主要工作及章节安排

1．4．1 论文主要研究内容及创新点

1．4．2 论文章节安排

第二章 基于单一模型的风电场风速预测研究

2．1 引言

2．2 单一预测模型

2．2．1 时间序列模型

2．2．2 神经网络模型

2．2．3 支持向量机模型

2．3 多步预测机制

2．3．1 迭代预测

2．3．2 直接预测

2．4 实例研究

2．4．1 风速数据

2．4．2 单一模型预测性能分析

2．4．3 多步预测机制预测性能分析

2．5 本章小结

第三章 基于加权组合的风电场短期风速预测

3．1 引言

3．2 集成学习

3．2．1 基学习器的选取

3．2．2 组合机制

3．3 基于集成学习的加权组合预测方法

3．4 算例分析

3．5 本章小结

第四章 基于分解组合的风电场短期风速预测

4．1 引言

4．2 经验模态分解算法

4．3 基于EMD的分解组合预测模型

4．4 算例分析

4．4．1 风速EMD分解

4．4．2 特征构建

4．4．3 特征选择

4．4．4 预测结果及比较分析

4．5 本章小结

第五章 风电场短期风速区间预测研究

5．1 引言

5．2 直接区间预测的问题描述

5．2．1 直接区间预测

5．2．2 预测区间评估指标

5．2．3 问题描述

5．3 多目标优化框架下基于RBF的直接区间预测

5．3．1 RBF神经网络

5．3．2 权值预训练

5．3．3 基于NSGA-Ⅱ算法进一步调整权值

5．4 算例分析

5．5 本章小结

第六章 风电场短期风速概率预测研究

6．1 引言

6．2 高斯过程回归模型

6．2．1 协方差函数

6．2．2 模型选择

6．2．3 自动关联确定

6．2．4 决策理论

6．3 基于高斯过程回归的风速概率预测

6．4 算例分析

6．5 本章小结

第七章 总结与展望

7．1 总结

7．2 展望

参考文献

攻读博士学位期间发表的论文

致谢