论文部分内容阅读
全球经济和社会飞速发展的同时,能源供求矛盾和环境污染等问题日益凸显,开发和利用可持续的清洁资源发电成为各个国家的发展共识和能源战略。由于风能资源蕴量巨大并且清洁可再生,因此利用风能发电是一种有广阔前景的可持续能源利用方式。风电具有不同于常规电源的随机性等特点,风电并网容量的不断增加会严重影响电力系统的安全稳定和经济运行。实现较高精度的风电出力预测有利于电网进行调度管理和保证并网系统的安全运行,提高系统的风电消纳能力和风电的竞价上网能力。本文首先对国内外风力发电产业发展以及风电出力预测技术研究现状进行了概括和总结。考虑到统计方法是风电出力短期预测中应用最广泛的预测方法,而时间序列预测模型和支持向量机预测模型是统计方法中较为典型的预测模型,本文根据时间序列法和支持向量机的理论分别建立了基于时间序列法和基于支持向量机的风电出力短期预测模型,用所建的模型进行了实例预测工作,并分析了两种预测模型的性能。传统的统计预测方法是通过构建输入与输出之间参数化的函数关系来进行预测工作,由于风电出力的随机性与复杂性,建立参数化的预测模型不一定是最好的选择。通过进一步分析风电出力预测中统计方法的预测思想并结合非参数回归原理,利用模式识别中聚类算法,本文提出了一种基于模式识别非参数回归(PRNPR)的风电出力预测模型,通过预测实例对模型的性能进行了检验,并与上述两种预测模型的性能进行了对比,结果表明本文提出的基于PRNPR的预测模型具有较好的预测精度,而且易于建模,有一定的工程实用价值。不同预测模型的理论基础以及建模时采用的信息资料有所不同,但其彼此之间相互联系、相互补充。最后本文根据信息融合的思想通过融合不同预测方法包含的信息建立了改进的PRNPR预测模型,预测实例表明利用最大信息熵原理改进的预测模型能够增加预测模型的鲁棒性,能进一步提高风电出力预测的精度。