風電功率預測算法研究.pdf

1、當化石能源儲量逐漸減少、霧霾肆意危害人類健康、能源產業(yè)逐漸發(fā)生轉變之時，以清潔、可再生、儲量豐富等特性為代表的新能源正在以一種強勁的勢頭改變著人類對傳統(tǒng)能源的認知。我國的風能、太陽能等清潔能源蘊含豐富，分布廣泛。隨著經濟發(fā)展對能源需求的日益增大，以及我國特高壓線路的建設，風電的并網容量和使用率也都成倍增加。但是，在風電并網時，由風速間歇性造成的電壓波動和頻率偏差等電能質量問題，將對電網的區(qū)域互聯和能源全球化戰(zhàn)略造成一定阻礙。為了消除社會

2、對風電的爭議、避免棄風現象、構建電網友好型風電場，相關部門要求風電場能夠采用風電預測技術合理配置風機旋轉備用容量、大幅減小風電場儲能裝置的容量。并且，合理的風電調度計劃將成為確保風電成為可控性能源和順利并網的重要支撐。因此，在進行電力調度計劃的制定時，電網對風電場上傳滾動預測信息的準確性進行了更加嚴格的把控。為此，本文依據山西某風電場的風能特點，對風電功率的預測方法進行了深入研究。
　　本文以測風塔數據為依據，將人工智能、模式識別

3、、信號分解與群體智能技術相融合，在研究風電性能和影響風電出力各種因素的基礎上，建立了風電功率預測模型，并根據仿真得到預測結果，對其進行了一系列的優(yōu)化和改進，獲得了最優(yōu)預測模型。
　　在對風電特性和影響風機出力的相關因素進行定量分析基礎上，采用果蠅算法FOA優(yōu)化支持向量機SVM，建立了FOA-SVM預測模型，實現了風電功率滾動預測。針對FOA易受局部極值干擾的缺點，提出了基于高斯擾動的模擬退火果蠅算法GDSAFOA，增強了FOA的優(yōu)

4、化能力，建立了GDSAFOA-SVM預測模型，通過GDSAFOA對SVM進行參數尋優(yōu)，構建了更加合理的SVM回歸超平面、提高了預測精度。
　　為了提高學習模型中訓練樣本與預測樣本的相似性，削減不相關數據的干擾，采用 GDSAFOA優(yōu)化模糊 C均值算法 FCM，建立了GDSAFOA-FCM聚類模型，將 GDSAFOA-FCM聚類模型與GDSAFOA-SVM預測模型結合，建立了GDSAFOA-FCM-SVM預測模型，實現了對具有相似特

5、征的歷史日與預測日的數據聚類，提高了GDSAFOA-SVM預測精度。在GDSAFOA-FCM的優(yōu)化結果中，有些相似日與預測日的波動程度相差較大，直接影響預測精度。為了增加訓練樣本與預測樣本波動程度的相似性，提出了將湍流值IT引入FCM算法，并以IT作為相似日的特征信息，對相似日的波動性進行約束，建立了GDSAFOA-FCM-IT聚類模型，對GDSAFOA-FCM模型進行了改進，將歷史日中風電功率波動與預測日風電功率波動偏差大的樣本刪除，

6、保留風電功率波動趨勢和幅值相近的數據，并結合 GDSAFOA-SVM建立了GDSAFOA-FCM-IT-SVM預測模型，對GDSAFOA-FCM-SVM模型進行了改進，提高了預測精度。
　　為抑制風的波動，分別采用集合經驗模態(tài)EEMD和經驗模態(tài)EMD算法將風電功率信號進行平穩(wěn)化處理，并對EEMD和EMD性能進行比較，建立了EEMD-GDSAFOA-FCM-IT-SVM組合模型，該模型能夠在預測時，對風電功率自身的波動進行抑制，實現