风电功率概率性预测分析及研究

摘要

近年来我国及全球范围内风力发电产业发展迅速，然而由于风电自身具有的波动性和随机性特征，使得风电总装机容量提高的同时带来了一系列的并网问题，影响了电网的安全稳定运行，如果能对风电功率进行准确有效的预测，可以减少系统用于平衡功率波动的配备容量，从而减少电网成本，提升风电消纳水平。由于现阶段风电功率点预测精度有限，且含有较大的不确定性，因此本文主要对风电功率进行了概率性预测和深入研究。
　　本文首先对新能源发电的产业现状做了简要介绍，指出风电功率预测的重要意义和实际工程价值，详细介绍了现阶段国内外的风电功率概率性预测成果及其存在的亟待改进之处，然后对风功率的出力特性进行时间相关性分析，提出基于滑动分块Bootstrap的风电功率概率区间预测法，该法避免了传统参数模型中由于参数选取引入的模型误差，同时加入了对风功率数据的时间相依性特征的考量，从而提高预测精度，以西北某风场的运行数据为基础进行仿真验证，通过多种方法对比表明其具有更好的工程使用价值。
　　进一步的，为了减小对现有点预测模型的依赖，优化功率直接预测模型的输出效果，提出了基于集合经验模态分解和核极限学习机的风电功率概率区间估计法，利用集合经验模态分解将风场数据分解为不同尺度下具有不同波动频率和振动幅度的子序列，对各子序列分别建立核极限学习机功率预测子模型，为进一步提升预测性能，采用粒子群算法对KELM训练模型的输出权重进行优化，将各子模型的预测结果相加得到最终的功率预测区间。分别与PSO-EMD-KELM模型、PSO-KELM模型和PSO-ELM模型的预测结果进行对比，显示出该模型在预测准确度和预测精度上均有明显优势。
　　最后，由于传统的功率区间评价指标无法体现出预测值与实际值在时间尺度上波动特征的匹配情况，构建了双层风电功率区间预测模型，内层模型制定了涵盖功率均方根误差、功率梯度和功率曲率三个评价指标的综合优化函数，使预测朝着减小误差、匹配波动特征的方向收敛，通过粒子群算法对KELM模型的输出权值进行优化，可得到单点预测功率，外层模型将KELM模型输出的预测功率与实际功率取差值，得到功率预测误差序列，由该序列构建基于非参数核密度估计的预测误差概率密度函数，在给定的置信度下求取预测误差概率密度函数的上下分位点，结合实际功率得到最终的预测功率区间，该非参数估计法降低了模型选取的主观性，能更好的掌握样本序列的动态结构，提高预测精度。

目录

声明

摘要

1．1 选题背景及研究意义

1．1．1 课题背景

1．1．2 风电功率概率性预测研究意义

1．2 风电功率预测的分类类型

1．3 风电功率概率性研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

1．4 本文主要工作

第2章 基于滑动分块百分位数Bootstrap法的风电功率概率区间预测

2．1 风电功率特性分析

2．1．1 风电功率预测误差分布

2．1．2 风功率时间相依性

2．2 滑动分块Bootstrap法理论

2．2．1 滑动分块Bootstrap法重采样技术

2．2．2 滑块最优长度估计

2．3 基于滑动分块百分位数Bootstrap法风功率区间预测模型

2．3．1 风功率预测区间的划分

2．3．2 基于四分位法的滑动分块百分位数Bootstrap法置信区间求取

2．3．3 风功率区间预测模型预测步骤

2．4 算例分析

2．4．1 预测误差区间划分

2．4．2 滑块最优长度选取

2．4．3 仿真分析与对比

2．5 本章小结

第3章 基于集合经验模态分解和核极限学习机的风电功率概率区间估计

3．1 集合经验模态分解

3．2 极限学习机预测法

3．2．1 极限学习机区间预测模型

3．2．2 基于核函数的极限学习机区间预测模型

3．3 基于PSO的EEMD-KELM风电功率概率区间预测模型

3．3．1 模型建立

3．3．2 预测步骤

3．4 实例分析

3．4．1 EEMD数据分解

3．4．2 PSO-KELM模型参数设定

3．4．3 仿真分析与对比

3．5 本章小结

第4章 基于风电波动特征匹配度的KELM-NKDE功率区间预测

4．1 基于风电波动特征匹配度的功率预测评价指标

4．1．1 均方根误差

4．1．2 功率梯度

4．1．3 功率曲率

4．1．4 预测结果综合评价指标

4．2 非参数核密度估计法

4．3 基于风电波动特征匹配度的KELM-NKDE功率区间预测模型

4．3．1 模型建立

4．3．2 预测步骤

4．4 算例分析

4．4．1 KELM模型优化结果

4．4．2 NKDE法参数选取

4．4．3 基于NKDE法的功率区间求取与分析

4．5 本章小结

第5章 结论与展望

5．1 结论

5．2 展望

参考文献

攻读硕士学位期间发表的论文及其他成果

致谢