大型风电场短期功率预测研究

《大型风电场短期功率预测研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、致谢本论文的工作是在我导师吴俊勇教授的悉心指导下完成的，从论文的选题、数据的现场采集、论文结构安排直至论文的写作、修改和最后的定稿，都凝聚了吴老师的心血和汗水。吴俊勇教授渊博的知识，严谨的治学态度、高尚的师德以及科学的工作方法给我极大的帮助和影响。在攻读硕士两年期间，吴老师在学习和生活上都给予我极大的关心和照顾，在此特向恩师吴俊勇教授表达最诚挚的祝福和衷心的感谢!’在实验室工作及撰写论文期间，杨媛博士，吴燕博士，宋洪磊博士对论文写作给予了宝贵的意见，在此表示衷心的感谢。同时，还得到张西鲁，冀鲁豫，李雪等同学的关心和照顾，感谢给予过我帮助的实验室成员

2、和亲友们!衷心的感谢我的父母及我的家人多年来的培养和支持，是他们始终不渝的理解和支持使我能够在学校专心完成学业。我的每一点进步都凝聚着他们的辛劳，他们的辛勤劳动和默默的支持是我不断进步的动力。再次表示衷心的感谢!中文摘要摘要：中国的风电场大都是集中的大容量风电场，而且分布在负荷较少地区，风电的随机性和间歇性，给电力系统的安全稳定运行造成了严峻的挑战，不利于风电的进一步发展。选取内蒙古一个实际风电场为例，对风电场短缺功率预测的多种模型进行研究和改进，主要的工作包括以下几个方面：根据建立的风机之间的相关系数矩阵，对风机的数据进行预处理；利用神经网络确定

3、对功率输出相关度最大的变量，确定预测目标。对每台风机分时段建立功率特性曲线是符合实际需要的。。时间序列模型建模简单，具有较好的短期预测精度，是最常用的线性预测模型。神经网络模型能较好的应对序列的波动，具有理论丰富和高精度等特点，是常用的非线性模型。SVM收敛速度快，学习能力强，泛化能力好，即使风速距离变化时，也能有效的预测序列的变化趋势。小波分解组合模型能较好的应对非平稳时间序列，具有良好的预测精度。卡尔曼滤波组合模型几乎没有增加建模的计算量，而且没有提高所建时间序列模型的阶次，但卡尔曼滤波算法的预测精度却极大地提高。基于最大信息熵原理的组合模型，

4、能有效的提高系统的鲁棒性和预测精度。关键词：风电功率预测，预测模型，功率曲线，最大信息熵原理分类号：TM614●，I●一．：丝璺!坠盟一——ABSTRACTABSTRACT：Chinesewindplantsalelarge—scaleplantsandmostofthemalelocatedinwheretheloadisfew．It’Sachallengetothepowersystemsafelyandstablyoperationthatthewind’Sintermittenceandrandomwhichwouldbeanobstacl

5、etothewindpowerdevelopmentinthefuture．TakingawindpowerplantinNeiMonggu弱anexample．thepaperstudiedsomekindsofforecastingmodels．Thepaper。mainw．orksaleasfollows：’Accordingtllemeestablishedcorrelationcoefficientmatrixofwindturbines，turbines’operationdataswerepreprocessed．Theforecas

6、tingparametersalefocusedbystudingtheimpactmeanimpactvaluetopower．Establishingeachturbine’SpowercurveindifferenttimeiSreasonable．Thetimeseriesmodelissimpleandhasacceptableresultinshort—termprediction，anditisthecomnlonlinearpredictionmodel．NeuralnetworkmodelCandealwiththefluctua

7、tionintimeseries，hasabundanttheoryandhighaccuracyandiscolnmonnon．1inealpredictionmodel．SVMhashighel"convergencespeed，goodleaningandgeneralizationability．SVMcaneffectivelypredictthetrendofwindspeedeventhewindspeedfluctuationissevere．Ahybridmodelintegratingtimeseriesanalysiswith

8、waveletdecompositionCandowellwithnon．stationarytimeseries，and