论文部分内容阅读
由于风电的间歇性、随机性和不可控制性,使其对电网的稳定运行带来安全隐患,为充分利用有效的风能资源,对风速和风电功率进行预测是大型风电场并网运行的先决条件。精确的风电功率预测对电力系统调度部门制定风电并网计划,确保电能质量、保证电网的稳定运行具有重要意义。本文的工作主要分为两部分:通过研究风速以及风电功率特性,综合分析影响风电输出功率变化的相关因素,可知风速大小、气温、大气压力、相对湿度等都会对风电输出功率造成影响,于是提出基于影响因素建立预测模型;由于输出功率时间序列具有周期性、非线性、非平稳性,单一的预测模型可以对非线性进行很好的预测,但对非平稳性难以处理,于是提出了基于时间序列的短期输出功率预测方法。基于影响因素建立预测模型中,针对BP(Back Propagation)神经网络预测模型在风电预测中预测精度低,输入变量较多的问题,提出一种基于互信息(Mutual Information,MI)的自适应变异粒子群优化BP的短期风电预测模型。首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少其中包含的冗余信息;然后,引入自适应惯性权重和变异因子思想的粒子群算法对预测模型进行优化,得到短期输出功率预测值。基于时间序列建立预测模型中,针对风力电站输出功率的非线性,非平稳性,提出一种通过对功率时间序列进行经验模态分解和小波阈值相结合的处理方法,将复杂的功率时间序列利用EMD(Empirical Mode Decomposition)分解为多个模态(IMF)分量,然后对高频IMF分量进行小波阈值降噪,再对低频IMF分量和高频IMF分量分别建立基于最小二乘支持向量机和ARMA(Auto-Regressive and Moving Average Model)算法的预测模型,利用粒子群算法对各分量预测模型进行参数优化,对功率时间序列进行预测,最后通过叠加得到最终预测结果。最后采用某风电场30天的气象数据和历史输出功率数据作为研究样本,分别基于上述所建立的两种预测模型对短期输出功率进行预测。同时采用平均绝对误差(MAE)、均方根误差(7)RMSE(8)和平均绝对百分比误差(7)MAPE(8)与其他未改进的预测模型进行比较。通过对比可知,本文使用的方法对输出功率的预测更加精确。