短期風(fēng)速和風(fēng)電功率預(yù)測模型的研究.pdf

1、隨著全球風(fēng)力發(fā)電的快速發(fā)展，風(fēng)電在電網(wǎng)中所占的比例越來越大。但由于風(fēng)的間歇性和隨機(jī)性特點(diǎn)，使得大規(guī)模的風(fēng)電接入對電網(wǎng)的安全、穩(wěn)定以及電能質(zhì)量帶來嚴(yán)峻挑戰(zhàn)，因而限制了風(fēng)電的發(fā)展規(guī)模。對風(fēng)電場的輸出功率進(jìn)行準(zhǔn)確的預(yù)測是解決此問題的有效途徑之一，借助預(yù)測結(jié)果，有利于電力調(diào)度部門及時調(diào)整調(diào)度計劃，優(yōu)化系統(tǒng)運(yùn)行，同時還可減少電力系統(tǒng)的備用容量和運(yùn)行成本。因此，對風(fēng)電功率進(jìn)行預(yù)測具有十分重要的意義。
　　 在此背景下，本文選擇風(fēng)速和風(fēng)電功率

2、的短期預(yù)測作為研究內(nèi)容，運(yùn)用多種方法對短期風(fēng)速和風(fēng)電功率預(yù)測進(jìn)行深入的研究。首先，將時間序列和神經(jīng)網(wǎng)絡(luò)理論引入到風(fēng)速預(yù)測模型中，分別建立了差分自回歸滑動平均(ARIMA)預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。并在ARIMA模型的基礎(chǔ)上，提出了自回歸條件異方差(GARCH)和聚類ARIMA兩種改進(jìn)模型；在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，引入遺傳算法(GA)和粒子群算法(PSO)對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，分別建立了GA-BP預(yù)測模型和PSO-

3、BP預(yù)測模型。然后，通過算例分析對每種模型的預(yù)測效果和特點(diǎn)進(jìn)行總結(jié)。
　　 為了進(jìn)一步提高風(fēng)速預(yù)測的精度，引入組合的思想，對上述單一模型預(yù)測值進(jìn)行組合得到風(fēng)速的組合預(yù)測值。最后，運(yùn)用風(fēng)電功率曲線，將風(fēng)速的組合預(yù)測值轉(zhuǎn)換成風(fēng)電功率的預(yù)測值。
　　 通過以上對風(fēng)速和風(fēng)功率預(yù)測問題的研究，運(yùn)用時間序列和神經(jīng)網(wǎng)絡(luò)理論進(jìn)行了較為深入的模型探討，并進(jìn)行了數(shù)據(jù)處理以及數(shù)值計算，可以發(fā)現(xiàn)模型的改進(jìn)以及數(shù)據(jù)的處理，是有助于提高風(fēng)速和風(fēng)電功