基于全局经验模态分解的风电与光伏出力预测组合模型

摘要

近几年,在世界范围内风力发电及光伏发电已进入非常快速的发展阶段。风能、太阳能具有典型的间歇性、波动性等特点,因此当风能、太阳能接入电网时会对电网的安全、稳定运行及电能质量等带来严峻挑战。准确预测风能、太阳能对优化电网调度、电网规划、提升新能源发电竞争力具有重要意义。风速和辐照量分别是影响风机出力和光伏出力最直接、最显著的因素,因此准确的风速和辐照量预测具有重要的应用价值。　　本文建立了基于全局经验模态分解(EEMD)的组合预测模型,对风速和辐照量进行预测。主要工作如下:　　1)建立了基于EEMD的组合预测模型对风速进行超短期预测。原始风速序列经EEMD分解为频率和变化趋势不同的信号,根据不同信号特点应用不同的预测模型得到预测结果,将各个预测结果相加即可得到原始风速序列的预测值。　　2)建立了基于EEMD和ELM神经网络的组合预测模型,对辐照量进行逐时预测。首先构造相似日逐时时间序列,以提升智能算法的训练效果;然后进行EEMD分解,对分解后的信号分别建立ELM神经网络进行预测,将各个预测值相加即可得到原始辐照量序列的预测值。ELM具有极快的学习速度,可大大减少组合预测模型的资源占有和整体预测效率。　　建立的组合预测模型可以综合利用不同算法的优势,算例结果也证明预测精度和运算速度均可提升。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2 风电、光伏出力国内外研究现状

1.3 本文主要工作

第二章 EMD及其改进算法介绍

2.1经验模态分解EMD算法

2.2掩模信号法

2.3 全局经验模态分解EEMD

2.4 本章小结

第三章 基于EEMD的短期风速组合预测

3.1 风速与风机出力的关系

3.2 GA-BP 神经网络算法介绍

3.3 支持向量机SVM算法介绍

3.3 基于EEMD的组合预测模型

3.4 算例及结果分析

3.5 本章小结

第四章 基于EEMD与ELM神经网络的光伏出力预测

4.1 辐照量与光伏出力的关系

4.2相似日逐时辐照量时间序列构成原理

4.3 ELM 神经网络介绍

4.4 EEMD+ELM组合预测模型

4.5算例及结果分析

4.6本章小结

第五章 结论与展望

5.1 结论

5.2 展望

参考文献

论文发表及参加科研情况说明

致谢