论文部分内容阅读
近年来,随着我国能源结构体系的进一步调整,风力发电产业在国家政策的支持下得到迅速发展,风电入网的规模逐步扩大。然而,风电自身的间歇性、波动性以及随机性等特点,风电入网规模的扩大给电力调度带来了难度,严重影响了电网的安全、可靠、经济、稳定运行。准确高效的对风电场出力情况进行预测,可有效缓解电力调度的难度,减小风电入网对电网产生的威胁。因此,对风电场出力情况进行预测具有实际的工程价值和意义。本文对风电功率预测主要进行了如下研究:(1)本文首先利用最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)理论来构建确定性的风电功率短期预测模型。由于LSSVM模型的预测性能在很大程度上受到超参数选择和核函数选择的影响,本文选取了四种常用的核函数分别构建LSSVM预测模型,并且提出一种改进的引力搜索算法(Improved Gravitational Search Algorithm,IGSA)来选择LSSVM预测模型的超参数,建立IGSA优化LSSVM的短期风电功率预测模型。仿真结果表明,选择RBF核函数的IGSA-LSSVM模型的风电预测性能优于其它核函数;同时与其它智能算法优化LSSVM相比,IGSA优化LSSVM方法对短期风电功率预测具有更好的稳定性和更高的准确性。(2)由于预测的超前性,风电功率的确定性预测结果或多或少都具有不可避免的偏差,为获得风电功率预测结果的不确定信息,以确定性的单点预测为基础,对确定性单点预测得到的误差分析并统计,采用非参数核密度估计区间预测方法,给出基于误差统计特性的风电功率在不同置信水平下的波动情况。仿真结果表明,基于非参数核密度估计区间预测方法能够较好的对风电功率未来的波动情况进行概率估计,对工程应用具有一定的参考价值。(3)考虑到基于非参数核密度估计区间预测方法在求取未来的风电功率预测区间时需要首先进行确定性的点预测,且需要对大量的功率预测误差数据进行分析并统计处理。提出一种基于互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和改进GPR(Gaussian process regression,GPR)的短期风电功率概率预测方法,首先将风电功率采用CEEMD分解得到各子风电功率序列,单独建立预测模型并用IGSA寻优GPR的超参数,并且将多核协方差函数应用到GPR模型中,最终概率预测结果由各子风电功率序列得到。仿真结果表明:基于CEEMD和改进GPR的预测模型能够进行准确有效的概率预测,具有较好的概率评价指标,可以同时得到较好的单点预测值和置信区间,预测结果良好。