风电场风电量短期预测技术研究

摘要

中国的风电事业，在设备制造、自动控制，尤其在风电功率预测领域受制于国外的技术垄断。对风电场而言，存在着客观因素导致国内的风电场无法预报未来的发电功率曲线，这是由于风力的随机性，尤其是近地边界层风场的风电功率预测一直是个难题。国外风电发达国家，如丹麦、德国都先后发展了风电功率预测系统，能够准确的预报风电场第二天的发电功率曲线。在中国，风电目前的比例还不到1％；但随着规模不断加大，风电比例已经越来越高，发展风电功率预测技术已经成为当务之急。 论文首先简述了国内外的风电场短期风电功率预测发展的现状，对预测技术做了概括性的论述，在此基础上，提出了风电功率短期预测系统的组成模块，以及各模块之间的调用和功能。具体阐明随机时间序列法和人工神经网络法的基本原理以及在这一领域内的应用。首先是用随机时间序列法初步建模；之后，把随机时间序列法的研究结果运用到人工神经网络法，通过这个方法解决了目前神经网络法输入变量不能定量的问题，并提出了滚动式权值调整手段，解决了神经网络权值随时间推移而逐渐变得不适用的问题；接着，用气象数据作为网络输入量，使用BP神经网络法来预测风力发电功率，解决了神经网络预测时间的局限性。试验表明，所建立的模型具有一定的实用价值。 文章最后对风速预测和风力发电功率预测的精度进行比较，指出因为风速和风力发电功率自身规律性强弱的不同，导致它们的预测精度亦存在相应的差距。

目录

文摘

英文文摘

声明

第1章 绪论

1.1 风电产业发展现状及课题背景

1.1.1 风电产业发展现状

1.1.2 课题背景

1.2 风速和风力发电功率预测的概念

1.3 风电场短期风电功率预测功能和作用

1.4 风电场短期风电功率预测发展现状

1.4.1 国外研究状况

1.4.2 国内研究状况

1.5 本论文的主要工作

第2章 预测技术基础

2.1 预测概念

2.1.1 定性预测技术

2.1.2 定量预测技术

2.2 风速和风力发电功率预测方法介绍

2.3 预测步骤

2.4 预测原理

2.5 预测结果分析

2.6 本章小节

第3章 风电功率短期、超短期预测系统介绍

3.1 风电功率预测系统的构成

3.2 数值天气预报模块

3.3 风电场数据采集

3.3.1 风电场数据采集设备

3.3.2 无线风况数据采集

3.4 预测程序模块

3.4.1 随机时间序列预测模型的建立

3.4.2 人工神经网络预测模型的建立

3.5 软件实现模块

3.5.1 GUI界面设计模块

3.5.2 VB与MATLAB混合编程

3.6 预测系统数据库模块

3.6.1 VB与系统数据库连接

3.6.2 Matlab与系统数据库连接

3.6.3 Access数据库的安全性问题

3.7本章小节

第4章基于历史数据的随机时间序列法的风电功率预测

4.1随机时间序列法基本原理

4.1.1平稳随机时间序列的定义及性质

4.1.2平稳随机时间序列线性模型的分类

4.1.3非平稳随机时间序列的平稳化处理及其模型

4.2平稳随机时间序列模型的识别

4.2.1偏自相关函数的定义和计算

4.2.2三类模型的识别

4.3平稳随机时间序列模型的参数估计

4.4随机时间序列模型的检验

4.5建立预测模型

4.6实例分析

4.6.1时间序列的建立

4.6.2样本序列的平稳化

4.6.3模型识别

4.6.4参数估计

4.6.5模型检验

4.6.6平稳性和可逆性检验

4.6.7建立预测模型

4.6.8预测结果分析

4.6.9程序框图

4.7本章小结

第5章基于历史数据的人工神经网络法的风电功率预测

5.1神经网络法基本原理

5.1.1神经网络的发展

5.1.2神经网络的研究内容

5.1.3神经网络的应用

5.2神经网络模型

5.2.1神经元模型

5.2.2神经网络的基本结构

5.2.3神经网络结构

5.2.4神经网络学习规则

5.3 BP网络模型及其算法

5.3.1 BP网络模型

5.3.2 BP算法

5.3.3改进的BP算法

5.4实例分析

5.4.1网络结构的确定

5.4.2输入层、隐含层，输出层的确定

5.4.3 数据归一化

5.4.4 滚动式权值调整

5.4.5 预测精度提高

5.4.6 预测结果分析

5.4.7 神经网络法建模总体流程图

5.5 本章小结

第6章 基于气象数据的神经网络法的风电功率预测

6.1 风电功率预测

6.2 风电功率的预测模型建立

6.2.1 风电功率预测误差分析

6.2.2 风速预测和风力发电功率预测误差比较分析

6.3 本章小结

第7章 结论与展望

7.1 结论

7.2 展望

参考文献

附录 气象数据以及风电功率数据

作者简介

致谢