基于風電并網的短期負荷EEMD與神經網絡預測方法.pdf

1、隨著風電并網容量的逐年增加，其顯現出來的一些弊端也愈發(fā)突出。風電是一種間歇性能源，風電自身所具有的隨機波動性和間歇性等特性使得其在接入電網時，會對電力系統(tǒng)的電壓、頻率等產生極大的干擾。這些將有可能對電網系統(tǒng)的電能質量及電網系統(tǒng)的穩(wěn)定運行造成嚴重的影響，甚至會對常規(guī)發(fā)電造成威脅進而導致電網崩潰。此外電力負荷的波動性和風電功率的波動性相互疊加后，將會極大地增加常規(guī)機組負荷的波動性，這將對電網的運行和安全產生很大沖擊，增加了電力調度部門的工作

2、難度。因此在含有風電場的地區(qū)建立一個考慮風電并網的短期負荷預測模型對電網的安全穩(wěn)定運行具有重要的現實意義。
　　 本文主要研究了基于多尺度分解方法的短期負荷預測和風電場輸出功率預測等相關內容，提出了一種基于總體平均經驗模態(tài)分解(EnsembleEmpiricalModeDecomposition,EEMD)和神經網絡算法的考慮風電并網的短期負荷預測模型，主要完成了以下工作:
　　 通過對小波分析、奇異譜分析和總體平均經驗

3、模態(tài)分解這三種多尺度分解方法在分解短期負荷數據和風電功率數據的結果進行對比，驗證了EEMD分解方法在時間序列分解的應用中能夠很好的展示復雜時間序列的細節(jié)信息，表現強于小波和奇異譜。將經過EEMD分解得到的高頻分量和周期分量子序列通過BP神經網絡、RBF神經網絡、小波神經網絡和Elman神經網絡模型進行預測，應用粒子群算法優(yōu)化由這四種神經網絡建立的線性組合模型的各分量權重，其中以線性組合預測產生的結果與真值之間的灰色關聯度最大作為粒子群優(yōu)

4、化的適應度函數，而具有趨勢特性的子序列運用RBF神經網絡進行預測，最終將所有子序列的預測結果進行疊加。
　　 按照以上提出的這種新型時序預測的建模思想對實際的負荷和風電場輸出功率進行預測，通過與其他多種預測方法進行對比，驗證了本文提出的組合預測模型的有效性。最后引入等效負荷的概念，將負荷的預測模型與風電輸出功率的預測模型有效的結合在一起，提出一種新型的等效負荷的預測模型。通過與其他預測結果對比，驗證了本文提出的基于EEMD與神經