论文部分内容阅读
由于风能是环境友好的可再生能源,近年来逐渐得到广泛的关注,风电并网的容量也逐步增加。鉴于风能的间歇性与随机性,有效的风速与功率预测是实现大规模风电并网的前提条件。高精度且普适性强的短期风速风功率预测算法能够保障电力系统的安全稳定运行,便于电网调度的调整,降低风场的运营成本。本文基于西北、华东、西南三个区域风电场实测历史数据,进行了短期风速与功率预测,主要研究内容包括以下几个方面:首先使用自回归滑动平均(ARMA)模型分月进行了提前1h的风速预测,预测误差符合要求且保持稳定。同时建模过程中引入了特定的数据预处理方法,并证明了这些方法对于预测精度的改善效果优异。然后基于三层BP神经网络模型得到风速数据基础建模预测结果,为了改善BP网络训练过程中收敛时间长并且容易陷入局部最优的局限性,采用遗传算法(GA)优化了BP网络的权值与阈值选取过程。实验证明,遗传算法能够有效降低预测误差,提高算法的收敛效率。为了能显著降低预测误差,采用了建立在上述模型基础上的混合预测算法。将风速数据用小波分解为粗糙分量与细节分量,采用ARMA模型预测粗糙分量,用GA改进的BP神经网络预测细节分量,具体算例证明了混合模型预测风速精度明显优越于单一模型。另外,基于小波分析的混合预测模型不仅在超前一步预测中表现良好,超前多步预测也能提供远高于单一模型的精确度,并且针对三个风电场的数据均适用。得到超前一步风速预测值后,文中选取线性拟合法拟合了风电场的实际功率特性曲线,间接预测了提前1h的功率输出。实验数据表明,基于混合模型的功率预测结果令人满意,存在较好的推广价值。