论文部分内容阅读
近些年来，我国风电装机容量快速增长。由于风速具有随机波动性，风电大规模并网给电力系统的安全稳定运行带来了巨大挑战。为了降低风电大规模并网对电网的冲击，必须对并网风电场发电功率进行调度，而风电场风电功率预测是实现并网风电场调度的前提。风电功率预测的重点在于预测建模，国内外从物理建模及统计建模两个角度进行了较长时间的研究。目前国内风电场大多新建，缺乏用于物理建模的风场信息，故国内的风电功率预测往往利用风场历史数据进行统计建模。由于人工神经网络及支持向量机非线性回归性能突出，本文以这两类统计方法对算例风场进行了建模仿真。该仿真发现：BP、RBF、GRNN三种神经网络及线性核、多项式核、RBF核三种支持向量机所建立的预测模型在实际功率快速波动时存在较大的预测失准。因此，本文应用了一种建模思路以提高模型预测精度：首先，分解实际功率序列以提取不同波动尺度的功率特征信息；其次，分别建立以各个分解分量为输出的分量预测模型以减小整体建模难度；最后，采用一定的加权方式确定各分量预测模型的权值系数。故本文的主要工作是：1）对比BP、RBF、GRNN三种人工神经网络及线性核、多项式核、RBF核三种支持向量机的建模及其预测精度，选定多项式核支持向量机为预测建模方法；2）应用EMD将实际功率序列分解成多个功率正交分量，每个功率正交分量分别利用多项式核支持向量机建立以其为输出的分量预测模型；3）基于信息集成原理将IOWA加权引入风电功率预测领域，并提出一种针对风电功率预测的改进IOWA加权策略以获取各个分量预测模型的权值系数。通过对算例风场进行建模仿真，应用本文建模思路的改进IOWA加权方式下的预测模型可改善实际功率快速波动时的预测失准，且相比其他建模方法具有更好的预测精度。基于本文的研究成果，利用支持向量机建立了风电功率预测系统的预测模型，在全国范围内多个风场得到了实际应用。