風電功率預測不確定性分析及應用研究.pdf

1、風能是一種很有發(fā)展前景的清潔能源，近年來得到跨越式發(fā)展。大規(guī)模風電并網在一定程度上緩解了我國能源緊張壓力，帶來經濟和環(huán)境效益。但風電自身具有隨機性和波動性，大規(guī)模并網時會影響電網穩(wěn)定。因此需要對風電場輸出功率進行預測，但現有的大部分預測方法為點預測，結果為單一功率估計值，含有較大的不確定性，給決策引入風險。不確定性分析可以得到未來功率實際值以某置信水平落入的由上下限構成的預測區(qū)間，為電力系統(tǒng)規(guī)劃和運行決策重要依據，大大提高電力系統(tǒng)的抗風

2、險能力。
　　本文首先分析了風電場功率預測不確定性影響因素來源，介紹了誤差的存在形式及評價指標，預測誤差的分布特性分析及時間特性，影響預測精度的因素主要包括:模型的輸入數據精度;風電機組輸出功率的分散性，即功率曲線擬合誤差;預測模型的誤差;風電場內風電機組故障停機的不確定性。然后，研究分析已有風電場功率點預測系統(tǒng)的不確定性，得到基于誤差統(tǒng)計的風電功率概率區(qū)間估計。對預測誤差序列分布特性進行統(tǒng)計分析后，采用非參數Bootstrap方

3、法對風電功率概率性預測。給定置信水平下風電功率可能的波動區(qū)間，即風電功率的不確定性，避免了傳統(tǒng)參數模型需要對分布進行先驗假設的過程。仿真結果表明在功率劇烈波動情況下也能較好預測未來功率的不確定性，適合工程應用。最后，本文提出基于粒子群優(yōu)化核極限學習機模型(PSO-KELM)的風電功率區(qū)間預測方法。方案采用核極限學習機建立單層前向型神經網絡，直接預測出風電功率在某置信水平下的上下限;再用粒子群算法優(yōu)化核極限學習機的輸出權重，得到符合要求的