基于大气扰动模型的风电功率预测研究

摘要

绿色风能是替代传统煤炭和化石燃料发电，以及缓解碳排放量和环境影响的有效可再生能源之一。然而，风的随机波动性使风力发电面临巨大的挑战。准确的风电功率预测可以增强风电并网的稳定性以及最大程度地减少风能资源的浪费。传统的预测算法大都集中于对算法的改进，而缺乏对风能的本质属性研究。本文以表征大气动力系统的Lore nz系统作为大气扰动模型，深入探究了Lo re nz扰动对风电功率预测的显著改进效果。主要工作包括以下几点： （1）针对风电功率的波动特性，探究不同时刻风功率的预测误差序列，并以此建立误差修正模型； （2）详细介绍 Lore nz 方程的四种吸引子形态，并利用切比雪夫距离定义Lore nz综合扰动流，建立相应的Lore nz扰动模型，最后对神经网络（RBF、BP、Elman）得到的风速初步预测序列进行Lore nz扰动修正； （3）基于原始风速序列的非平稳特性，我们将原始风速序列分成趋势项和去趋势项进行分段预测，即对趋势项进行线性预测，对去趋势项建立小波分解的时间序列模型；并探究参数值相同，初始值分别为 h=(0.01,1,1)和 h=(0.001,1,1)时的Lorenz方程对风速预测序列的改进效果； （4）考虑影响风速的多个因素，建立基于主成分分析的Lore nz扰动模型，并以 RBF 神经网络和最小二乘支持向量机模型作为对比模型加以验证。主成分分析模型的建立提高了单一因素的风速预测水平，Lo re nz扰动模型的建立很大程度上改进了整体的风速预测结果。 本文建立的大气扰动模型能够极大程度的降低误差统计指标，改进传统风电功率的预测效果以及满足电网调度的精度要求。本文的研究思路开拓了风电功率预测领域的新视角，推动了风电功率的新发展。

目录

第一个书签之前

摘要

Abstract

第1章 绪论

1.1 风电发展现状

1.2 风电功率预测发展现状

1.3 风电功率的统计特性研究现状

1.4 本文主要工作

第2章 基于误差修正的LS-SVM风功率预测模型

2.1 基于误差修正的最小二乘支持向量机风功率预测模型

2.1.1 最小二乘支持向量机算法

2.1.2 误差修正模型

2.2 误差修正的风功率预测模型

2.2.1 风场数据

2.2.2 训练集和测试集

2.2.3 误差修正的LS-SVM风功率预测

2.2.4 风功率预测结果及误差分析

2.3 本章小结

第3章 基于Lorenz扰动的神经网络风速预测模型

3.1 大气动力系统

3.2 基于Lorenz扰动的神经网络风速预测模型

3.2.1 风场数据

3.2.2 Lorenz扰动的神经网络风速预测

3.2.3 风速的预测结果及误差分析

3.3 本章小结

第4章 初始值不同的Lorenz方程对风速预测的扰动作用

4.1 初始值不同的Lorenz系统

4.2.1 风场数据

4.2.2 小波—时间序列（W-ARMA）风速预测模型

4.2.3 Lorenz扰动的小波—时间序列（W-ARMA）风速预测模型

4.2.4 风速的预测结果和误差分析

4.3 本章小结

第5章 基于主成分分析的Lorenz扰动风速预测模型

5.1 风场数据

5.2 风速影响因素的主成分模型

5.3 基于主成分分析的Lorenz扰动风速预测模型

5.4 风速的预测结果及误差分析

5.4.1 最优扰动系数和扰动序列

5.4.2 风速预测模型的误差分析

5.4.3 风速的预测结果

5.5本章小结

第6章 总结与展望

6.1 本文的工作重点

6.2 本文工作的主要创新点

6.3 风电功率预测的研究展望

参考文献

攻读硕士学位期间发表的学术成果

学术论文

发明专利

攻读硕士学位期间参加的科研工作

致谢