论文部分内容阅读
风力发电受风能特性的影响,由于风能的随机性,风电功率具有间歇性和随机波动性等不可控特征。随着风能的大范围开发利用,风电功率并网容量不断增加,风电的波动特性对电网产生的潜在隐患也日益明显。对风电场输出功率进行超短期预测是解决电网调度控制难题的有效技术之一。而传统的单一预测方法精度和预测的稳定性无法满足应用要求,结合多种预测手段的优点和特征,开展组合预测成为提高超短期风电功率预测精度的和稳定性的有效手段。本文根据国内某风电场实测数据,通过结合Theil不等系数和改进诱导有序加权算子建立了组合预测模型,对风电功率进行超短期预测研究,并设计了一套集成化风电功率预测平台。本文主要研究内容如下:首先以风电场参数为对象,给出了数据预处理方法,并对风速、风电功率等核心参数的特性进行了分析。同时研究了预测误差的来源,建立了多指标预测误差评价体系。然后利用小波神经网络(Wavelet Neural Network,WNN)、遗传算法优化BP神经网络(Genetic Algorithm-Back Propagation,GA-BP)、支持向量机算法(Support Vector Machine,SVM)和时间序列算法中自回归滑动平均模型(Auto Regressive Moving Average model,ARMA)四种单一预测模型对风电功率进行了10min和1h两个时间尺度的超短期预测。结果表明,SVM在提前10min的预测效果最好,对于提前1h的预测,而是GA-BP表现最好。在单一预测模型的基础上,本文提出了一种结合Theil不等系数和改进的诱导有序加权算子的组合预测算法。先采用误差信息矩阵进行冗余度分析,发现WNN模型是冗余模型。由于在实际情况下预测时刻的实际值未知,引入的三种诱导有序加权算子不能直接使用,所以对其进行了改进,即取各个单一预测模型前几个时刻的预测精度均值作为三种算子的诱导值。通过对提前10min和1h两个时间尺度的实例分析,结果表明:IOWA组合模型能有效提高风电场输出功率的超短期预测精度。最后,设计了一套集成化风电功率预测平台,通过软件功能模块、平台通信设计和平台客户端设计三个方面详细介绍了平台的设计方案,并对部分研究成果进行了展示。