基于神经网络的风力发电功率预测优化算法研究

摘要

风能是一种新型的绿色能源，风电并网是实现降低大气污染、改善能源结构的重要方法。然而风能的波动性与间断性直接限制了风电并网比例，限制了我国风力发电技术的进一步发展，研究风力发电功率预测系统，可提高风电机组发电的稳定性，改善风电对于电网系统的不良影响。本文以某风电机组为研究对象，根据该机组历史天气信息与实时发电功率数据，采用神经网络建模方法，建立了风电场短期功率预测模型，并针对神经网络建模特点，将该模型与多种智能算法结合，优化模型参数，并通过Matlab软件仿真验证。
　　论文介绍了BP神经网络和支持向量机风电功率预测方法，分析了两种方法的优缺点，并建立了基于数值天气预报的BP神经网络短期风电功率模型，在Matlab中实现了仿真预测；研究了支持向量机风电功率预测模型参数优化问题，运用粒子群算法、粒子群改进算法优化了支持向量机惩罚因子和RBF核函数参数，建立了基于改进粒子群算法优化的支持向量机模型，并在仿真实验中实现了算法效果验证与分析对比；采用遗传算法优化了BP神经网络预测模型的初始权值阈值，建立了基于遗传算法优化的BP神经网络模型，优化了BP神经网络模型预测效果；针对实际风电场中存在位置多变、高度不一的实际天气情况，采用主成分分析对风场的不同位置、不同高度的历史天气数据进行降维处理，得到对风电功率预测影响较大的数据，将其作为BP神经网络的训练数据，进而优化后的BP神经网络模型，实现了多维输入数据的高效利用，最后基于SPWF-3000风电功率预测系统分析了风电功率预测系统在实际应用中的技术要点。

目录

声明

第1章 绪论

1.1 研究背景和意义

1.2课题研究现状

1.3 本文主要研究工作

第2章风力发电原理及风电功率预测方法

2.1 风力发电技术概述

2.2 风电功率预测方法简介

2.3 风电功率预测误差分析

2.4本章小结

第3章基于神经网络的风电功率预测模型

3.1 BP人工神经网络原理

3.2 支持向量机

3.3 BP神经网络的风电预测算法仿真

3.4 本章小结

第4章 风电功率预测优化方法

4.1粒子群算法基本原理

4.2 基于遗传算法的BP神经网络预测模型

4.3 基于主成分分析的BP神经网络预测模型

4.4 本章小结

第5章风电功率预测技术应用及分析

5.1风电功率预测系统

5.2 风能监测

5.3 风能预测预报

5.4 风电功率短期预预报

5.5 风电功率超短期预测预报

5.6 本章小结

第6章 结论和展望

6.1 结论

6.2 展望

参考文献

致谢