论文部分内容阅读
风能作为一种有着很好发展前景的可再生能源，对全球节能减排工程的实施具有重要的意义。然而，由于风速具有不确定性和间歇性的特点，大规模的风电并网将给电力系统运行带来巨大的影响。若能精确预测风速，不但可以减少弃风现象，优化常规电源的日发电计划与冷热备用，而且有助于调整检修计划。另外，风速固有的不确定性特性势必会导致预测结果也存在不确定性，并且点预测(或确定性预测)无法全面地提供风速的概率信息。相反地，基于概率区间的风速预测能够同时量化预测误差和相关概率，为电力市场交易提供重要的概率分布信息，进而降低确定误差所带来的风险。因此开展风速预测(wind speed forecasting, WSF)工作对于未来主动配电网的发展意义重大。 首先，本论文在研究大量有关极限学习机(Extreme Learning Machine, ELM)的文献的基础上，提出了一种新的在线极限学习机算法(CFOS-ORELM)，该算法以鲁棒极限学习机(ORELM)为基本模型，利用基于Cook距离的遗忘因子(forgetting factor based on Cook’s distance, CF)实现在线贯序学习。为了进一步预测模型的鲁棒性，利用在线集成学习分析方法和有序聚合(online ensemble using ordered aggregation, OEOA)技术对预测性能好的模型通过加权来得到最终的预测值。在模型参数优化阶段，由带自适应变异机制的改进纵横交叉(Crisscross optimization with Self-Adaptive Mutation, CSO-SAM)算法进行全局寻优得到预测模型最优参数。 其次，考虑到风速时间序列信号的复杂性，在数据预处理阶段，本文采用启发式分割算法(Bernaola Galvan algorithm, BGA)将非平稳的风速时间序列分割成若干子序列，使各子时间序列趋于平稳。接着提出一种自适应可变模式分解(adaptive variational mode decomposition, AVMD)对各个子序列进行分解。对于每个子模式，采用所提方法进行预测，并将每个子模式的预测结果通过聚合来得到最终的风速预测结果。 为了满足电力系统中不确定性风险评估和决策的需要，本文深入研究了概率性预测建模方法。本文研究的概率区间预测是基于数据驱动方法，利用时变混合Copula函数TVMCF确定性预测结果和预测误差的相关关系，并得到在某一预测值的条件下，预测误差的概率密度函数。最后利用预测误差的条件概率分布来确定给定置信水平下的预测区间。 最后，为了验证本论文所提出的短期风速确定性预测和概率性预测方法的有效性，利用美国国家可再生能源实验室(National Renewable Energy Laboratory, NREL)提供的风速时间序列进行算例分析。仿真结果表明，(1)与基准预测方法相比，本文提出的确定性预测方法预测精度更高；(2)在线预测模型能够根据风速的变化来更新模型参数，使得预测精度进一步提高；(3)所提概率区间预测方法得到的预测值的分布函数不是服从某种特殊分布(比如高斯分布)；(4)所提概率区间预测方法获得的概率区间质量更高。