基于模糊聚类的GA-BP风电场短期风速及功率预测的研究

摘要

风能具有很强的随机性和波动性，这两种特性将会导致接入电网的风电功率带有剧烈的波动特性，给系统带来一系列问题。严重时还会破坏电力系统经济、安全、稳定和可靠的运行状态。因此精确有效的风电场风速及功率预测可以使运行人员提前制定调度计划、安排机组出力及系统备用等相关措施来降低风电并网所带来的影响。但是由于影响风速的因素众多以及风力自身的多变性，使得目前的预测往往很难做到精确预测，只能在算法研究、模型优化以及有用信息的提取等方面进行不断地改进。
　　 论文利用某地风电厂的历史数据作为样本数据，在算法研究的基础上对于风电场短期风速及发电功率预测。首先研究了短期风速及功率预测的一般方法:物理法、统计法和神经网络等方法;分别对基于单一的BP神经网络和径向基网络对短期风速预测进行深入研究，运用Matlab软件编程预测输出，并分析对比两种预测模型的预测结果。随后利用遗传算法对BP网络进行优化，采用相同的数据建立GA-BP短期风速预测模型。为了提高精度，通过利用模糊聚类技术对常规的历史数据进行处理，选取与预测曰有较高相似度值的几天的风速数据，并将所选取的数据作为GA-BP神经网络的训练数据，预测结果表明，基于该预测方式能显著提高风电场短期风速及功率预测的精度。

目录

声明

摘要

图表目录

1 绪论

1．1 研究的目的和意义

1．2 风电场风速及功率预测概要

1．2．1 风电场风速及功率预测的分类

1．2．2 风电场风速及功率短期预测的主要方法

1．2．3 风速与风电场输出功率的关系

1．3 国内外风电功率预测现状

1．3．1 国外风电功率预测现状

1．3．2 国内风电功率预测现状

1．4 论文的主要工作

2 基于单一神经网络的短期风速预测

2．1 BP神经网络

2．1．1 BP神经网络学习算法的计算步骤

2．2 基于BP神经网络算法的短期风速预测

2．2．1 Matlab实现BP神经网络对风速的短期预测

2．2．2 BP神经网络对风速的短期预测

2．3 RBF神经网络

2．3．1 RBF神经网络概述

2．3．2 基于RBF神经网络算法的短期风速预测

2．4 本章小结

3 基于遗传算法优化的BP神经网络短期风速预测

3．1 遗传算法

3．2 遗传算法对BP神经网络的优化

3．2．1 Matlab实现遗传算法

3．3 基于GA-BP神经网络算法的短期风速预测

3．4 本章小结

4 基于模糊聚类算法的GA-BP神经网络短期风速及功率预测

4．1 模糊聚类算法

4．1．1 模糊聚类分析步骤

4．2 聚类样本选取

4．2．1 风电场主要气象因素与风速的相关性分析

4．2．2 相关系数的概念

4．2．3 风速与主要气象因素的相关性分析

4．2．4 聚类结果与分析

4．3 基于模糊聚类算法的GA-BP神经网络的短期风速预测

4．4 基于模糊聚类算法的GA-BP神经网络短期功率预测

4．4．1 功率曲线建模

4．4．2 算例分析

4．5 本章小结

5 结论与展望

5．1 论文主要工作总结

5．2 论文的不足与展望

致谢

参考文献

附录