基于WRF模式的短期风速预测及订正方法研究

摘要

风能作为一种清洁、可再生、无污染的新型能源受到世界各国的重视，发展迅速。近年来风力发电容量急剧增长，尤其是我国，目前已经成为世界上风电装机总量最大的国家。然而风能具有波动性、间歇性和随机性的特点，大规模的风电并网必然会给电力系统的安全稳定和社会经济的高效运行带来严峻的挑战。要想提高风力发电的利用率以及减少对电网运行的负面影响，必须能提前准确地预测风电功率，而风电功率预测中最为重要的输入因子是风速，因此准确的风速预测是风电功率预测的前提和基础。
　　为了有效地对风电场短期风速进行预测，本文对短期风速预测及其订正方法进行了深入的研究，主要工作内容如下:
　　首先，本文采用WRF模式预报风电场的短期风速，模式资料来自于NCEP/GFS全球天气预报资料，预报时效为0-72小时。利用WRF模式预报了风电场所在区域一年的风速、风向等气象要素，利用双线性插值法将预报结果插值到测风塔风机轮毂高度(70m)处。将WRF预报数据与测风塔实测风速、风向数据进行对比分析，结果表明，WRF模式预报风速大于测风塔实测风速，但预报风速的变化趋势与实测风速的变化趋势较为吻合;预报风向和实测风向也有着较好的一致性。因此，WRF模式预报输出的风速用于短期风电功率预测是有效、可行的，但在准确度上还有待进一步的提高。
　　其次，为了提高WRF模式预报风速的准确度，本文引入极限学习机方法(ELM)对预报风速进行订正，针对传统极限学习机的拟合性能会在一定程度上受到网络结构的影响，利用差分进化算法(DE)，优化极限学习机网络输入层的权值和隐含层偏置，并利用共轭梯度法(CG)求解网络的输出权值，使得极限学习机算法得到进一步的优化。上述改进，解决了大样本数据的训练问题，提高了模型的泛化能力。实验结果表明，优化极限学习机算法的订正误差相比传统极限学习机算法有了明显的减小，验证了优化极限学习机算法的有效性;订正后的风速相比WRF模式预报风速误差更小，更接近于实际的风速。
　　最后，由于风向、气温、气压等气象要素对短期风速预测精度也会产生重要的影响，基于主成分分析法(PCA)与径向基函数(RBF)神经网络建立了多气象要素的短期风速二次订正模型。采用主成分分析法对优化极限学习机算法订正风速及其他气象要素数据进行处理，消除数据之间的相关性，将主成分分析处理后的数据作为径向基函数神经网络的输入。实验结果表明，基于主成分分析法与径向基函数神经网络的二次订正模型进一步减小了预报风速的误差，改善了预报风速的趋势差异，提高了短期风速预测的精度。

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 课题研究背景

1．1．2 课题研究目的和意义

1．2 课题研究现状

1．2．1 风速预测方法

1．2．2 国外研究现状

1．2．3 国内研究现状

1．3 研究内容及技术路线

1．3．1 研究内容

1．3．2 技术路线

1．3．3 本文创新点

1．3．4 本文组织结构

1．4 本章小结

第二章 风电场风速特性及统计规律研究

2．1 风电场数据来源及风能特征

2．1．1 风电场数据来源及数据的预处理

2．1．2 风能特征

2．2 风速和风向

2．2．1 风速及其变化特性

2．2．2 风速的分布特性

2．2．3 风向及其特性

2．3 风速预测效果评价标准

2．4 本章小结

第三章 基于WRF模式的短期风速预测

3．1 WRF模式简介

3．2 资料方法介绍

3．2．1 NCEP／GFS预报资料

3．2．2 双线性插值法

3．3 WRF模式模拟方案设计

3．3．1 模式方案设计

3．3．2 插值层高的确定

3．4 模拟效果分析

3．4．1 风速年预报效果分析

3．4．2 风速日预报效果分析

3．4．3 风向预报效果分析

3．5 本章小结

第四章 基于优化极限学习机算法的短期风速订正

4．1 极限学习机

4．1．1 ELM算法简介

4．1．2 ELM算法原理

4．1．3 ELM算法实现步骤

4．2 共轭梯度法(Conjugate Gradient)

4．2．1 CG算法简介

4．2．2 CG算法原理

4．3 差分进化算法(Differential Evolution)

4．3．1 DE算法简介

4．3．2 DE算法原理

4．4 基于CG-DE-ELM算法的订正模型的建立

4．5 实验验证

4．5．1 数据预处理

4．5．2 订正结果分析

4．6 本章小结

第五章 基于主成分分析和径向基神经网络的短期风速二次订正

5．1 主成分分析

5．1．1 主成分分析的原理

5．1．2 主成分分析的步骤

5．1．3 主成分分析的流程

5．2 径向基神经网络

5．2．1 径向基神经网络简介

5．2．2 径向基神经网络的网络结构

5．2．3 径向基神经网络的特点

5．3 基于主成分分析和RBF神经网络二次订正模型的建立

5．4 实验验证

5．4．1 样本选取及主成分分析

5．4．2 订正结果分析

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

作者简介

致谢