短期風速在線預測研究.pdf

1、風能作為一種有著很好發(fā)展前景的可再生能源，對全球節(jié)能減排工程的實施具有重要的意義。然而，由于風速具有不確定性和間歇性的特點，大規(guī)模的風電并網(wǎng)將給電力系統(tǒng)運行帶來巨大的影響。若能精確預測風速，不但可以減少棄風現(xiàn)象，優(yōu)化常規(guī)電源的日發(fā)電計劃與冷熱備用，而且有助于調整檢修計劃。另外，風速固有的不確定性特性勢必會導致預測結果也存在不確定性，并且點預測(或確定性預測)無法全面地提供風速的概率信息。相反地，基于概率區(qū)間的風速預測能夠同時量化預測誤差

2、和相關概率，為電力市場交易提供重要的概率分布信息，進而降低確定誤差所帶來的風險。因此開展風速預測(wind speed forecasting, WSF)工作對于未來主動配電網(wǎng)的發(fā)展意義重大。
　　首先，本論文在研究大量有關極限學習機(Extreme Learning Machine, ELM)的文獻的基礎上，提出了一種新的在線極限學習機算法(CFOS-ORELM)，該算法以魯棒極限學習機(ORELM)為基本模型，利用基于Cook

3、距離的遺忘因子(forgetting factor based on Cook’s distance, CF)實現(xiàn)在線貫序學習。為了進一步預測模型的魯棒性，利用在線集成學習分析方法和有序聚合(online ensemble using ordered aggregation, OEOA)技術對預測性能好的模型通過加權來得到最終的預測值。在模型參數(shù)優(yōu)化階段，由帶自適應變異機制的改進縱橫交叉(Crisscross optimization

4、with Self-Adaptive Mutation, CSO-SAM)算法進行全局尋優(yōu)得到預測模型最優(yōu)參數(shù)。
　　其次，考慮到風速時間序列信號的復雜性，在數(shù)據(jù)預處理階段，本文采用啟發(fā)式分割算法(Bernaola Galvan algorithm, BGA)將非平穩(wěn)的風速時間序列分割成若干子序列，使各子時間序列趨于平穩(wěn)。接著提出一種自適應可變模式分解(adaptive variational mode decomposition

5、, AVMD)對各個子序列進行分解。對于每個子模式，采用所提方法進行預測，并將每個子模式的預測結果通過聚合來得到最終的風速預測結果。
　　為了滿足電力系統(tǒng)中不確定性風險評估和決策的需要，本文深入研究了概率性預測建模方法。本文研究的概率區(qū)間預測是基于數(shù)據(jù)驅動方法，利用時變混合Copula函數(shù)TVMCF確定性預測結果和預測誤差的相關關系，并得到在某一預測值的條件下，預測誤差的概率密度函數(shù)。最后利用預測誤差的條件概率分布來確定給定置信水

6、平下的預測區(qū)間。
　　最后，為了驗證本論文所提出的短期風速確定性預測和概率性預測方法的有效性，利用美國國家可再生能源實驗室(National Renewable Energy Laboratory, NREL)提供的風速時間序列進行算例分析。仿真結果表明，(1)與基準預測方法相比，本文提出的確定性預測方法預測精度更高；(2)在線預測模型能夠根據(jù)風速的變化來更新模型參數(shù)，使得預測精度進一步提高；(3)所提概率區(qū)間預測方法得到的預測值