论文部分内容阅读
近年来,风力发电发展迅速,但是由于风力发电的间歇性、随机性和不确定性的特点,使风电的大规模并网给电力系统的稳定性带来冲击,因此需要对风电功率进行预测来维持电力系统运行的稳定性。而中长期风电功率进行准确度较高的预测对风电场的选址、备用容量和储能容量的选取、风电机组的检修、风电的竞价上网乃至风电未来的发展等至关重要。所以,需要对风力发电量进行中长期预测。由于我国风力发电的起步较晚,尚没有大量的历史年份的发电数据,所以不能建立长期的预测模型。考虑到风力发电量这一物理量又主要取决于风速,所以可通过历史年份的风速数据和风机的风速-功率预测模型来得到历史年份的模拟发电量数据。本文首先通过对富锦风电场11号风电机组的风力发电量时间序列进行分析,研究了灰色GM(1,1)模型的建模维数对预测精度的影响;在选择了最佳建模维数的基础上,分别从模型自身和原始数据角度出发,对模型进行了初步优化研究。预测结果表明,从模型自身出发优化背景值和初始值的改进型GM(1,1)模型,以及对原始数据进行递增处理再建模,都能有效提高GM(1,1)模型的预测精度。其次,本文采用主成分分析法提取了影响风速信息的主成分,在其基础上建立基于主成分分析的神经网络风速预测模型。并利用黑龙江富锦风电场历史年份中的实测数据进行预测分析。为了验证主成分提取的必要性及基于主成分分析的风速预测模型的适用性,将所有气象影响因素全部作为神经网络预测模型的附加输入进行训练预测。仿真结果表明基于主成分分析的神经网络风速预测模型可以提高预测精度。最后,本文研究了组合预测模型。采用线性加权法对基于灰色理论的预测模型和基于主成分分析的神经网络预测模型进行了组合预测分析。并与其它预测模型作对比,结果表明,基于灰色理论的预测模型和基于主成分分析的组合模型的精度最高。这种方法在一定程度上解决了我国风电中长期预测精度低的问题,为我国后续中长期风电功率预测课题的工作开展提供了坚实的理论基础和依据。