基于时间序列和智能化算法的风电功率预测方法

论文总字数：24415字

摘 要

随着风电装机容量的增加，风电的波动性对电力系统的稳定运行造成的影响越来越显著。风电功率预测是提高风电并入电力系统运行水平的关键技术。本文综合使用风电功率、风速和温度历史数据，建立自回归移动平均(ARMA)预测模型和支持向量机(SVM)预测模型；综合考虑两种预测模型的预测结果，通过最优加权组合建立基于自回归移动平均和支持向量机的组合预测模型，得到了更高的预测精度；其中支持向量机的参数优化和组合模型的加权系数优化问题，采用了粒子群优化(PSO)算法求解；在基于自回归移动平均和支持向量机的组合预测模型的基础上，提出一种基于聚类算法的分段组合预测方法，在改善测精度的同时提高预测算法的效率。

关键词：风电功率预测，自回归移动平均，支持向量机，组合预测，粒子群优化，聚类

ABSTRACT

With the increase of installed capacity of wind power, the fluctuation of wind power has a more and more obvious impact on the stable operation of the power system. Wind power prediction is the key technology to improve the stability level of wind power integrated into the power system. Based on the historical data of wind power, wind speed and temperature, this paper establishes an autoregressive moving average (ARMA) prediction model and a support vector machine (SVM) prediction model. Considering the prediction results of the two prediction models, a combined forecasting model based on the ARMA model and SVM model is established through the optimally weighted combination, and better-predicting performance is obtained. Particle swarm optimization (PSO) algorithm is used to solve the problem of parameter optimization of the SVM model and weighted coefficients optimization of the combination model. Based on the combination forecasting model of ARMA and SVM, a piecewise combination forecasting method based on the clustering algorithm is proposed to improve the accuracy of measurement and the efficiency of the prediction algorithm.

KEY WORDS: wind power forecast, ARMA model, SVM model, PSO algorithm, combined forecast, cluster

目 录

摘要 Ⅰ

Abstract I

第一章 绪论 1

1.1 研究背景及意义 1

1.2 风电功率预测方法划分及评价指标 2

1.2.1 风电功率预测方法 2

1.2.2 风电功率预测评价指标 2

1.3 国内外研究现状 3

1.4 本文主要研究内容 4

第二章 基于时间序列法的风电功率预测模型 6

2.1 时间序列模型原理 6

2.2 自回归移动平均模型建模 6

2.2.1 数据预处理 6

2.2.2 模式识别 7

2.2.3 参数估计 8

2.2.4 模型检验 9

2.3 算例分析 10

2.4 本章小结 12

第三章 基于支持向量机的风电功率预测模型 13

3.1 支持向量机模型原理 13

3.2 粒子群优化算法 13

3.3 基于粒子群优化的支持向量机建模 15

3.3.1 数据预处理 15

3.3.2 核函数选取 15

3.3.3 基于粒子群优化的支持向量机建模流程 16

3.4 算例分析 17

3.5 本章小结 19

第四章 基于时间序列法和智能化算法的组合预测模型 20

4.1 组合模型的方法 20

4.2 组合模型建模 20

4.3 算例分析 21

4.4 本章小结 23

第五章 基于聚类分段的组合预测方法 24

5.1 聚类分段的意义 24

5.2 基于聚类分段的组合预测方法 24

5.2.1 聚类方法 24

5.2.2 基于聚类分段的组合预测方法流程 25

5.3 算例分析 25

5.4 本章小结 27

第六章 总结与展望 29

参考文献 30

本科毕业设计期间完成的科研成果 32

致 谢 33

绪论

研究背景及意义

在全球化石能源短缺，新能源技术迅速发展的大背景下，风电、光伏、潮汐能等新能源电力开始大规模并入电网。近年来，国内外风力发电技术及应用发展迅速。如图1.1所示，我国风力发电装机容量呈现逐年上升趋势。从2008年到2017年我国的累计装机容量增长速度为平均每年1.7亿千瓦。虽然在本课题的调查研究期间，2018年的风力发电统计数据尚未公布，但预计2018年我国累计风电装机容量将达20亿千瓦。

图1.1 2008~2017年我国累计风电装机容量统计图

如图1.2所示，我国风电发电量和风电渗透率也在逐年增加，截至2017年，风电发电量达3057亿千瓦时，渗透率达4.8%。

图1.2 2008~2017年我国风电发电量及占比统计图

由于风力发电的随机性和不确定性，风力电源在电网的渗透率过高将增加电力调度的难度，影响电力系统安全、稳定运行。针对这样的问题，目前有两种解决方案：一种是增加传统旋转发电设备的备用容量，通过备用发电设备的投切来减小风力电源波动对电力系统的影响；另一种是进行风电功率精准预测，参考预测值对电网进行合理调度^[1]。比较这两种方案，第一种方案中备用设备的设施建设和运行维护成本巨大；第二种方案中，只要风电功率的预测结果足够精确，就能在维持电力系统稳定性的同时尽可能低的减少运营成本。因此，电功率预测是目前国内外公认的、改善风电接入电网的系统稳定运行水平的关键基础技术。

风电功率预测方法划分及评价指标

剩余内容已隐藏，请支付后下载全文，论文总字数：24415字