论文部分内容阅读
绿色风能是替代传统煤炭和化石燃料发电,以及缓解碳排放量和环境影响的有效可再生能源之一。然而,风的随机波动性使风力发电面临巨大的挑战。准确的风电功率预测可以增强风电并网的稳定性以及最大程度地减少风能资源的浪费。传统的预测算法大都集中于对算法的改进,而缺乏对风能的本质属性研究。本文以表征大气动力系统的Lorenz系统作为大气扰动模型,深入探究了Lorenz扰动对风电功率预测的显著改进效果。主要工作包括以下几点:(1)针对风电功率的波动特性,探究不同时刻风功率的预测误差序列,并以此建立误差修正模型;(2)详细介绍Lorenz方程的四种吸引子形态,并利用切比雪夫距离定义Lorenz综合扰动流,建立相应的Lorenz扰动模型,最后对神经网络(RBF、BP、Elman)得到的风速初步预测序列进行Lorenz扰动修正;(3)基于原始风速序列的非平稳特性,我们将原始风速序列分成趋势项和去趋势项进行分段预测,即对趋势项进行线性预测,对去趋势项建立小波分解的时间序列模型;并探究参数值相同,初始值分别为h=(0.01,1,1)和h=(0.001,1,1)时的Lorenz方程对风速预测序列的改进效果;(4)考虑影响风速的多个因素,建立基于主成分分析的Lorenz扰动模型,并以RBF神经网络和最小二乘支持向量机模型作为对比模型加以验证。主成分分析模型的建立提高了单一因素的风速预测水平,Lorenz扰动模型的建立很大程度上改进了整体的风速预测结果。本文建立的大气扰动模型能够极大程度的降低误差统计指标,改进传统风电功率的预测效果以及满足电网调度的精度要求。本文的研究思路开拓了风电功率预测领域的新视角,推动了风电功率的新发展。