基于風(fēng)電并網(wǎng)的短期負(fù)荷EEMD與神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法.pdf

1、隨著風(fēng)電并網(wǎng)容量的逐年增加，其顯現(xiàn)出來(lái)的一些弊端也愈發(fā)突出。風(fēng)電是一種間歇性能源，風(fēng)電自身所具有的隨機(jī)波動(dòng)性和間歇性等特性使得其在接入電網(wǎng)時(shí)，會(huì)對(duì)電力系統(tǒng)的電壓、頻率等產(chǎn)生極大的干擾。這些將有可能對(duì)電網(wǎng)系統(tǒng)的電能質(zhì)量及電網(wǎng)系統(tǒng)的穩(wěn)定運(yùn)行造成嚴(yán)重的影響，甚至?xí)?duì)常規(guī)發(fā)電造成威脅進(jìn)而導(dǎo)致電網(wǎng)崩潰。此外電力負(fù)荷的波動(dòng)性和風(fēng)電功率的波動(dòng)性相互疊加后，將會(huì)極大地增加常規(guī)機(jī)組負(fù)荷的波動(dòng)性，這將對(duì)電網(wǎng)的運(yùn)行和安全產(chǎn)生很大沖擊，增加了電力調(diào)度部門(mén)的工作

2、難度。因此在含有風(fēng)電場(chǎng)的地區(qū)建立一個(gè)考慮風(fēng)電并網(wǎng)的短期負(fù)荷預(yù)測(cè)模型對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行具有重要的現(xiàn)實(shí)意義。
　　 本文主要研究了基于多尺度分解方法的短期負(fù)荷預(yù)測(cè)和風(fēng)電場(chǎng)輸出功率預(yù)測(cè)等相關(guān)內(nèi)容，提出了一種基于總體平均經(jīng)驗(yàn)?zāi)B(tài)分解(EnsembleEmpiricalModeDecomposition,EEMD)和神經(jīng)網(wǎng)絡(luò)算法的考慮風(fēng)電并網(wǎng)的短期負(fù)荷預(yù)測(cè)模型，主要完成了以下工作:
　　 通過(guò)對(duì)小波分析、奇異譜分析和總體平均經(jīng)驗(yàn)

3、模態(tài)分解這三種多尺度分解方法在分解短期負(fù)荷數(shù)據(jù)和風(fēng)電功率數(shù)據(jù)的結(jié)果進(jìn)行對(duì)比，驗(yàn)證了EEMD分解方法在時(shí)間序列分解的應(yīng)用中能夠很好的展示復(fù)雜時(shí)間序列的細(xì)節(jié)信息，表現(xiàn)強(qiáng)于小波和奇異譜。將經(jīng)過(guò)EEMD分解得到的高頻分量和周期分量子序列通過(guò)BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)和Elman神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，應(yīng)用粒子群算法優(yōu)化由這四種神經(jīng)網(wǎng)絡(luò)建立的線性組合模型的各分量權(quán)重，其中以線性組合預(yù)測(cè)產(chǎn)生的結(jié)果與真值之間的灰色關(guān)聯(lián)度最大作為粒子群優(yōu)

4、化的適應(yīng)度函數(shù)，而具有趨勢(shì)特性的子序列運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，最終將所有子序列的預(yù)測(cè)結(jié)果進(jìn)行疊加。
　　 按照以上提出的這種新型時(shí)序預(yù)測(cè)的建模思想對(duì)實(shí)際的負(fù)荷和風(fēng)電場(chǎng)輸出功率進(jìn)行預(yù)測(cè)，通過(guò)與其他多種預(yù)測(cè)方法進(jìn)行對(duì)比，驗(yàn)證了本文提出的組合預(yù)測(cè)模型的有效性。最后引入等效負(fù)荷的概念，將負(fù)荷的預(yù)測(cè)模型與風(fēng)電輸出功率的預(yù)測(cè)模型有效的結(jié)合在一起，提出一種新型的等效負(fù)荷的預(yù)測(cè)模型。通過(guò)與其他預(yù)測(cè)結(jié)果對(duì)比，驗(yàn)證了本文提出的基于EEMD與神經(jīng)