我國地域遼闊,風能資源豐富,多風帶地區(qū)大約占全國總面積的三分之二,若充分利用風力資源將對社會的經(jīng)濟發(fā)展和人們的生存生活產(chǎn)生重要的影響。由于風速隨機性大、波動性和間歇性較強的特點,容易對電網(wǎng)的安全和穩(wěn)定運行造成巨大的影響。風速過大直接影響風電穿越功率較大時,將嚴重影響電力系統(tǒng)的安全。在實際風電并網(wǎng)與電力系統(tǒng)調度中,可靠的風電功率預測既可降低風電波動性對經(jīng)濟性的影響,又能保證風電接入后電力系統(tǒng)運行的安全性和穩(wěn)定性。本文基于上述背景,分別從提高超短期風功率預測精度和考慮風電功率預測誤差的電力系統(tǒng)經(jīng)濟優(yōu)化調度兩方面進行研究分析,主要包括以下內(nèi)容:（1）論文從時間尺度和預測方法上對風功率預測進行劃分,確定采用啟發(fā)式算法優(yōu)化極限學習機的方法預測超短期的風功率。從密度公式、物理角度等方面對影響風電輸出功率的因素進行分析,最終確定以風速、風向、溫度以及密度作為預測超短期風功率的主要影響特征。（2）模擬樽海鞘群覓食行為,利用樽海鞘群算法在迭代過程中可對參數(shù)尋優(yōu)的特點,優(yōu)化極限學習機的輸入權值矩陣及隱含層偏差值,從而提高預測模型的適應性和準確性。分別采用樽海鞘群優(yōu)化極限學習機（SSA-ELM）和粒子群優(yōu)化... 

【文章來源】：華北水利水電大學河南省

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

風能玫瑰圖

2風功率預測影響因素及評價指標13圖2-2RMSE變化圖Fig.2-2GraphofRMSERMSE是為了說明樣本的離散程度，即做非線性擬合時，RMSE的值越小越好。因此，在風電預測過程中，風功率預測值與影響因素以及實際值之間是非線性關系，采用RMSE可以有效的體現(xiàn)預測的可靠性。2.3.3平均絕對誤差平均絕對誤差（MeanAbsoluteError，MAE），表示實際值與預測值之間絕對誤差的平均值，如下表示：MAE=1∑||=1(2-7)圖2-3MAE變化圖Fig.2-3GraphofMAE

2風功率預測影響因素及評價指標13圖2-2RMSE變化圖Fig.2-2GraphofRMSERMSE是為了說明樣本的離散程度，即做非線性擬合時，RMSE的值越小越好。因此，在風電預測過程中，風功率預測值與影響因素以及實際值之間是非線性關系，采用RMSE可以有效的體現(xiàn)預測的可靠性。2.3.3平均絕對誤差平均絕對誤差（MeanAbsoluteError，MAE），表示實際值與預測值之間絕對誤差的平均值，如下表示：MAE=1∑||=1(2-7)圖2-3MAE變化圖Fig.2-3GraphofMAE

【參考文獻】：
期刊論文
[1]基于IBA-KELM的風電功率區(qū)間預測方法[J]. 林濤,蔡睿琪,張麗,楊欣,劉剛,廖文喆.  可再生能源. 2018(07)
[2]基于EEMD-HS-SVM的短期風功率組合預測模型[J]. 姬廣龍,袁越,黃俊輝,關志堅,吳涵,楊蘇.  可再生能源. 2017(08)
[3]基于并行相關向量機的多步預測方法研究[J]. 韓中合,周沛,苑一鳴.  電網(wǎng)與清潔能源. 2017(02)
[4]基于相似日和風速連續(xù)性的風電場短期功率預測[J]. 倪鵬,孫富榮.  山東電力技術. 2016(11)
[5]采用正則化極限學習機的短期風速預測[J]. 袁翀,戚佳金,王文霞,黃南天.  電網(wǎng)與清潔能源. 2016(11)
[6]基于粒子群優(yōu)化的核極限學習機模型的風電功率區(qū)間預測方法[J]. 楊錫運,關文淵,劉玉奇,肖運啟.  中國電機工程學報. 2015(S1)
[7]基于小波分解和極限學習機的短期風速組合預測研究[J]. 汪小明,肖猛,楊楠,尹筍.  可再生能源. 2015(08)
[8]基于混沌時間序列GA-VNN模型的超短期風功率多步預測[J]. 江岳春,張丙江,邢方方,張雨,王志剛.  電網(wǎng)技術. 2015(08)
[9]基于卡爾曼濾波的風速序列短期預測方法[J]. 修春波,任曉,李艷晴,劉明鳳.  電工技術學報. 2014(02)
[10]風電功率預測誤差分析及預測誤差評價方法[J]. 孟巖峰,胡書舉,鄧雅,許洪華.  電力建設. 2013(07)

博士論文
[1]風電功率預測不確定性及電力系統(tǒng)經(jīng)濟調度[D]. 閻潔.華北電力大學(北京) 2016
[2]風儲系統(tǒng)優(yōu)化配置及并網(wǎng)后相關運行方案研究[D]. 謝應昭.重慶大學 2015
[3]適合風電接入電力系統(tǒng)的中短期發(fā)電調度模型與方法[D]. 夏澍.華北電力大學 2014

碩士論文
[1]基于實測數(shù)據(jù)的風電場風速和風功率預測研究[D]. 秦本雙.東北電力大學 2018
[2]含風電場的電力系統(tǒng)優(yōu)化調度研究[D]. 楊嵐沛.鄭州大學 2018
[3]基于經(jīng)驗模式分解與智能優(yōu)化算法的BPNN模型在短期風速預測中的應用研究[D]. 王雨歆.東北財經(jīng)大學 2017
[4]基于歷史氣象數(shù)據(jù)的風電場風速和風功率預測研究[D]. 袁翀.東北電力大學 2017
[5]風電場短期功率組合預測方法和評價研究[D]. 王帥.華北電力大學 2017
[6]基于BP神經(jīng)網(wǎng)絡與WRF模式的風電功率預測系統(tǒng)設計與應用[D]. 張賀民.中國科學院大學(中國科學院工程管理與信息技術學院) 2017
[7]基于極限學習機的風電功率預測技術[D]. 盛楠.上海電機學院 2017
[8]基于風電功率預測的含風場電力系統(tǒng)經(jīng)濟調度的研究[D]. 楊文斌.哈爾濱工業(yè)大學 2017
[9]基于NWP和改進BP神經(jīng)網(wǎng)絡的風電功率預測研究[D]. 趙龍.北京交通大學 2015



本文編號：3412483