風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)若干問題研究.pdf

1、隨著傳統(tǒng)化石能源的不斷減少以及生態(tài)環(huán)境的持續(xù)惡化，發(fā)展可再生能源已成為應(yīng)對(duì)能源危機(jī)，改善環(huán)境問題，實(shí)現(xiàn)人類社會(huì)可持續(xù)發(fā)展的關(guān)鍵所在。在眾多可再生能源中，風(fēng)能由于其所具有的不可替代的特點(diǎn)與優(yōu)勢(shì)，正處于高速發(fā)展階段。開發(fā)和利用風(fēng)資源可以有效改善能源危機(jī)、減少環(huán)境污染，因而有著極其重要的意義。當(dāng)前，風(fēng)能的開發(fā)和利用主要是通過大規(guī)模風(fēng)力發(fā)電并網(wǎng)。然而，由于風(fēng)的間歇性、波動(dòng)性和隨機(jī)性等特點(diǎn)，風(fēng)電的出力情況會(huì)隨著風(fēng)的變化而變得不穩(wěn)定，從而給電力系統(tǒng)

2、的安全穩(wěn)定運(yùn)行帶來嚴(yán)峻的挑戰(zhàn)。為了解決這一問題，一個(gè)有效的途徑是對(duì)風(fēng)電場(chǎng)風(fēng)速、風(fēng)功率進(jìn)行預(yù)測(cè)。本文根據(jù)當(dāng)前風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)領(lǐng)域的研究現(xiàn)狀，結(jié)合江蘇、寧夏以及云南三個(gè)地區(qū)的風(fēng)電場(chǎng)實(shí)際風(fēng)速數(shù)據(jù)，針對(duì)點(diǎn)預(yù)測(cè)誤差減小和預(yù)測(cè)結(jié)果不確定性量化問題進(jìn)行研究，提出了多種方法用于提高點(diǎn)預(yù)測(cè)精度，量化預(yù)測(cè)結(jié)果的不確定性。具體來說，本文的研究工作主要包括:
　　(1)基于風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)領(lǐng)域的主流預(yù)測(cè)模型，即時(shí)間序列模型、神經(jīng)網(wǎng)絡(luò)模型以及支持向量機(jī)

3、模型對(duì)三個(gè)風(fēng)電場(chǎng)實(shí)際風(fēng)速數(shù)據(jù)進(jìn)行建模預(yù)測(cè)研究。比較分析了各單一模型的一步提前點(diǎn)預(yù)測(cè)效果以及基于直接預(yù)測(cè)和迭代預(yù)測(cè)的多步提前點(diǎn)預(yù)測(cè)效果。實(shí)驗(yàn)結(jié)果表明了單一預(yù)測(cè)模型的局限性以及研究組合預(yù)測(cè)模型的必要性。
　　(2)提出了一種基于集成學(xué)習(xí)的加權(quán)組合預(yù)測(cè)方法用于降低模型選擇風(fēng)險(xiǎn)，提高點(diǎn)預(yù)測(cè)精度。所提出的方法組合了時(shí)間序列模型、神經(jīng)網(wǎng)絡(luò)模型以及支持向量機(jī)模型。這些模型的權(quán)重采用一種新的方法進(jìn)行設(shè)置，該方法既考慮了各模型的歷史預(yù)測(cè)精度又考慮了

4、組合以后整體模型的泛化能力。將所提出的方法用于實(shí)際風(fēng)速數(shù)據(jù)，驗(yàn)證了該方法的有效性。
　　(3)結(jié)合信號(hào)分解算法和機(jī)器學(xué)習(xí)模型，提出了一種新的分解組合模型用于提高風(fēng)速點(diǎn)預(yù)測(cè)精度。所提出的方法首先采用經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)原始風(fēng)速序列進(jìn)行分解，然后根據(jù)分解得到的子序列構(gòu)建特征并通過特征選擇算法選取最相關(guān)的輸入用于建模。在實(shí)際風(fēng)速數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明，相比于單一預(yù)測(cè)模型，分解組合模型可以顯著提高點(diǎn)預(yù)測(cè)精度。
　　(4)針對(duì)預(yù)測(cè)結(jié)果不確

5、定性量化問題，提出了一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和非劣排序遺傳算法的方法用于直接構(gòu)建風(fēng)速預(yù)測(cè)區(qū)間。采用多目標(biāo)優(yōu)化框架處理區(qū)間構(gòu)建問題，即訓(xùn)練徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)使其產(chǎn)生的預(yù)測(cè)區(qū)間既要最大化覆蓋率又要最小化區(qū)間寬度。為了降低參數(shù)空間的維度以及簡(jiǎn)化搜索復(fù)雜度，提出一個(gè)兩步法用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)。所提出的方法在實(shí)際風(fēng)速集上進(jìn)行了驗(yàn)證，表明了方法的有效性。
　　(5)提出了一種基于高斯過程回歸的混合模型用于風(fēng)電場(chǎng)短期風(fēng)速概率預(yù)測(cè)。所提出的混合模型