论文部分内容阅读
风能作为可再生能源受到各国重视,风电并网量逐年增长。但由于风的随机性、波动性和骤然变化等因素,风力发电不稳定和风能利用率较低等问题仍待改善,所以高精度的短期风电功率预测成为研究的重点。短期风电功率预测是对未来0到72小时的风机实时发电量的预测,预测的准确度对电网稳定运行起到关键性作用。基于此,本文从风电场实测数据去噪、风速升降特征对实际发电功率的影响、组合预测模型和基于风速爬坡的优化学习方法等方面对短期风电功率预测方法进行探索和研究。首先通过建立比恩法风速功率曲线对历史数据进行修正。针对一般方法无法准确刻画风速和功率之间的映射关系,本文分析了风力发电机实际发电量的影响因素,研究得出当风速连续上升和下降时,对风机实际发电的影响较大。为了提高短期风电功率的预测精度,将风速的升降特征有效地融入短期风电功率预测方法中。针对上升风和下降风对风电功率的影响,通过风速特征标记法表示出风速升降特征;针对单个模型可能出现局部误差较大和稳定性不高的情况,引入Bagging(Bootstrap Aggregation)算法,将多个子模型有效组合;引入在线极限学习机(OS-ELM)作为基模型以适应风场的实时预测。最后通过试验证明了基于风速特征和Bagging-OS-ELM的组合风功率预测方法的合理性。根据风速升降特征将风速功率数据分离为三类,分别建立相应的最小二乘支持向量机(LSSVM)预测模型。针对LSSVM核函数超参数和正规化参数经验选取的弊端,引入引力搜索算法(GSA)对其进行优化;为使GSA后期能更准确地搜索最优解区域,避免陷入局部最优,将初始重力系数由直接设定改为动态选取,采用线性函数改进传统指数型重力衰减函数。最后,将上述研究的功率预测算法集成到了功率预测系统中,并在实际生产环境中验证了算法的有效性。