風(fēng)電場(chǎng)功率預(yù)測(cè)及日前調(diào)度計(jì)劃研究.pdf

1、由于風(fēng)電具有可再生、無(wú)污染、能量大等特點(diǎn),世界各國(guó)都在大力發(fā)展風(fēng)電技術(shù),風(fēng)電裝機(jī)容量也不斷提高。然而隨著風(fēng)電在系統(tǒng)中滲透率的提高,加上風(fēng)電本身的不確定性和波動(dòng)性,對(duì)日前調(diào)度計(jì)劃的合理性和經(jīng)濟(jì)性提出了挑戰(zhàn)。而準(zhǔn)確的風(fēng)電場(chǎng)功率預(yù)測(cè)有助于合理安排日前調(diào)度計(jì)劃。
　　本文在前人的研究基礎(chǔ)上,建立完整的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型并提出了兩方面的改進(jìn)。一方面,針對(duì)實(shí)際風(fēng)速測(cè)量值中包含有風(fēng)速隨機(jī)波動(dòng)部分,采用了小波包分解的方法,將風(fēng)速分解為不同頻段部

2、分,濾去高頻隨機(jī)波動(dòng)部分。另一方面,針對(duì)統(tǒng)計(jì)模型存在的如何確定參數(shù)個(gè)數(shù);如何保證選擇的參數(shù)和預(yù)測(cè)結(jié)果具有較高相關(guān)性;以及選擇的參數(shù)結(jié)果沒有普適性,隨風(fēng)電場(chǎng)而變化的問題,提出了主成分分析法。用氣象參數(shù)的線性組合代替原來(lái)的氣象參數(shù)形成新的變量,以相關(guān)性為標(biāo)準(zhǔn),選取其中的一部分為主成分,作為模型的輸入。在保證原始數(shù)據(jù)信息下,盡可能減少輸入?yún)?shù)。通過仿真實(shí)驗(yàn)證明,該方法對(duì)提高計(jì)算速度和保證預(yù)測(cè)精度是有效的。
　　而對(duì)BP神經(jīng)網(wǎng)絡(luò)模型本身文

3、章從神經(jīng)網(wǎng)絡(luò)訓(xùn)練和多網(wǎng)絡(luò)集成兩方面進(jìn)行了改進(jìn)。在訓(xùn)練方面,通過增加單維極小值擾動(dòng)和依據(jù)粒子群狀態(tài)模糊判斷的參數(shù)自適應(yīng),改進(jìn)了粒子群算法,加快了神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度。在多網(wǎng)絡(luò)集成方面,按照前一個(gè)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果修改訓(xùn)練樣本作為下一個(gè)網(wǎng)絡(luò)訓(xùn)練樣本,形成差異較大的多個(gè)神經(jīng)網(wǎng)絡(luò),并按訓(xùn)練效果集成多個(gè)BP神經(jīng)網(wǎng)絡(luò)輸出,提高了神經(jīng)網(wǎng)絡(luò)模型的泛化能力。
　　最后,建立了無(wú)預(yù)測(cè)、點(diǎn)預(yù)測(cè)、預(yù)測(cè)誤差帶等不同預(yù)測(cè)信息下的調(diào)度場(chǎng)景,以26機(jī)系統(tǒng)為例,用混