基于歷史氣象數(shù)據(jù)的風電場風速和風功率預測研究.pdf

1、隨著化石能源的大量消耗和環(huán)保壓力的與日俱增，風能作為可再生、清潔能源受到世界各國越來越高的重視。受地形、氣候及周圍環(huán)境等眾多因素的影響，風力發(fā)電具有強烈的間歇性、波動性和不確定性，給電力系統(tǒng)的發(fā)電規(guī)劃和經(jīng)濟調(diào)度帶來了危害，不利于傳統(tǒng)電網(wǎng)的安全、穩(wěn)定運行，阻礙了風電進一步的推廣和應用。因此，大規(guī)模的風電并網(wǎng)運行需要精準的風電功率預測。準確的風速是風功率預測的關(guān)鍵因素，因此準確的風速預測也具有重要的現(xiàn)實意義。
　　風速時間序列易受溫度

2、、氣壓、濕度等氣象因素的影響，且具有很高的輸入維度和較強的非線性，故不易精準預測。極限學習機(ELM)及其優(yōu)化模型結(jié)構(gòu)簡單、運算效率高、泛化能力強，可以根據(jù)問題需要靈活地選擇隱含層節(jié)點數(shù)和激活函數(shù)類型，適用于復雜的非線性風速預測工作。本文主要針對風速和風功率短期預測進行研究，相關(guān)內(nèi)容如下：
　　針對風速屬性多、難以精度預測等特點，本文采用互信息對屬性序列與風速、功率序列之間的相關(guān)性進行分析，并采用最大相關(guān)最小冗余（mRMR）進行屬

3、性選擇以降低輸入維度。之后，采用皮爾遜相關(guān)性系數(shù)(PCC)對預測輸入屬性數(shù)據(jù)進行加權(quán)處理，以便凸顯關(guān)聯(lián)程度高屬性的重要度，提高預測精度。最后，采用ELM及其優(yōu)化模型開展預測研究。
　　為了降低風速序列信號的波動性和非線性對電力系統(tǒng)的影響，進一步提高風速預測精度，可以采用信號分解方法對其處理以得到相對穩(wěn)定的子序列。本文采用變分模態(tài)分解（VMD）對初始時間序列進行分解處理，得到一系列具有一定周期性、規(guī)律性且相對穩(wěn)定的子序列。針對每一個

4、子序列，運用偏自相關(guān)函數(shù)（PACF）篩選出關(guān)聯(lián)程度高的元素集合，確定網(wǎng)絡(luò)模型的輸入，選用泛化能力強的加權(quán)正則化極限學習機（WRELM）構(gòu)建多步滾動預測模型，開展短期風速預測。
　　參照風電機組的風速-功率曲線，根據(jù)預測風速可直接得出對應時刻的風功率。針對風電功率大量的相關(guān)屬性，本文參照風速預測方法，在互信息相關(guān)性分析的基礎(chǔ)上依據(jù)mRMR對候選屬性集合進行屬性選擇，并采用PCC對其進行重要度加權(quán)，采用優(yōu)化ELM網(wǎng)絡(luò)進行預測擬合。