论文部分内容阅读
风能具有间歇性和波动幅度大等缺点,这会导致风力发电设备输出功率起伏增大以及控制难度增大,进而导致实际发电量难以精确满足发电计划和用电需要。而不断优化风电功率预测方法,构建精确程度更高的风电功率预测模型是应对这一考验的重要手段之一。因此,本文主要完成了以下工作:为降低噪声数据对风电功率预测的影响,本文基于密度聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)和线性回归法构建了噪声数据辨识及修正模型。该模型根据数据点之间的密度相连关系来辨识风速和风电功率数据中的噪声数据,并且以噪声数据附近的正常数据作为线性回归法的样本来对噪声数据进行修正。算例分析表明:该模型可对噪声数据进行较为有效的辨识与修正。风速、风向、温度、湿度、气压都会对风电功率产生影响,其中风速对风电功率的影响程度最大。本文利用风速数据计算出各历史日的风速平均值、最大风速差和风速平均变化率,并以此为标准,应用DBSCAN算法和欧氏距离筛选出相似日数据作为风电功率预测模型的输入。本文基于遗传算法优化的 BP 神经网络(BP Optimized by Genetic Algorithm,GA-BP)构建风电功率短期预测模型,分别使用经过了噪声数据辨识与修正以及未经噪声数据辨识与修正的历史风电功率和风速数据,与数值天气预报(Numerical Weather Prediction,NWP)数据一起作为预测模型的输入,对风电功率进行预测。算例分析表明:经过了噪声数据辨识与修正的预测的归一化均方根误差(Normalized Root Mean Squared Error,NRMSE)降低了 14.7%,归一化绝对平均误差(Normalized Mean Absolute Error,NMAE)降低了 10.7%,结果证明噪声数据的辨识与修正可以有效提高风电功率预测精度。为了加快预测速度,本文利用灰色关联度分析对气象因素进行筛选,选择对风电功率影响程度较大的风速、风向余弦值、温度数据作为预测模型的气象因素输入。使用风电场历史运行数据以及NWP数据,基于循环神经网络(Recurrent Neural Network,RNN),采用窗处理方法进行风电功率超短期预测。首先,通过对预测时长和预测精度进行分析,选择前一个历史预测功率数据作为当前时刻的输入。然后,将预测结果分别与未经过窗处理的RNN、未经过气象因素筛选的RNN、逆向传播(Back Propagation,BP)神经网络以及未经过噪声数据辨识与修正的RNN的预测结果进行对比。算例分析表明:相对于未经过窗处理的预测,预测模型的NRMSE降低了 58.4%,NMAE降低了 71.5%;相对于未经过气象因素数据筛选的预测,模型的预测用时明显缩短,预测精度差别微小;相对于传统BP神经网络的预测,模型的NRMSE降低了 45.8%,NMAE降低了 60.7%;相对于未经过噪声数据辨识与修正的预测,模型的NRMSE降低了 18.8%,NMAE降低了 28.4%。