论文部分内容阅读
随着我国的风电装机总容量的逐渐提高,风力发电场的输出功率具有波动性、随机性及不稳定性等特点,风电大规模上网会严重影响电力系统的安全稳定运行、电能质量、调度计划。实践证明,精确的风功率预测有利于电力系统调度部门制定风电并网计划,保证电能质量,提高电网运行安全可靠性、经济性与市场竞争力。论文针对风力发电输出功率的特点与风电并网的要求,围绕如何提高超短期风功率最小二乘向量机的模型预测问题及求解方法进行了如下研究:首先,采用引力搜索算法(Gravitational SearchAlgorithm,GSA),针对算法中可能存在的陷入局部最优化、收敛速度慢以及控制参数依赖性强等问题,提出了一种改进型引力搜索算法,即通过引入混沌序列初始种群、全局记忆性的速度权重系数和高斯扰动来实现算法的性能优化。通过算例分析证明了改进型GSA的全局搜索性能与收敛速度更优越。然后,详细阐述了最小二乘支持向量机模型(Least Squares Support Vector Machines,LSSVM)的数学理论,在此基础上提出了一种基于指数径向基核函数的最小二乘支持向量机风功率预测模型。由于该模型的核参数与惩罚因子的选择会影响其预测精度与泛化能力,为此采用改进型引力搜索算法来优化这些参数,削弱这些影响;此外,为了分析指数径向基核构建的LSSVM模型的性能,将之与七种常见核函数LSSVM预测模型进行了算例比较。超短期风功率仿真结果表明:采用基于指数径向基函数(Exponential Radial BasisFunction,ERBF)核函数的最小二乘支持向量机预测模型相对其他核函数的预测准确性有较大地提高。采用改进型引力搜索算法(Ameliorated Gravitational Search Algorithm,AGSA)算法优化得到的最优学习参数可使得LSSVM模型具有更好的预测能力与泛化性能。最后,提出了一种聚类经验模态分解法(Ensemble Empirical Mode Decomposition,EEMD)、相空间重构法(Phase Space Reconstruction,PSR)与AGSA-LSSVM相结合的组合预测模型。该组合预测模型利用EEMD分解风功率信号,再对分解后子序列进行相空间重构,接着对各子序列建立AGSA-LSSVM预测模型,最后叠加求和得到最终的预测值。仿真结果表明:该组合模型正确、有效地降低风功率时间序列的非平稳性能,预测精度得到了进一步提高,与其他模型相比较预测性能更优异。