風(fēng)電場(chǎng)風(fēng)電功率短期智能組合預(yù)測(cè)技術(shù).pdf

1、隨著我國(guó)風(fēng)電裝機(jī)容量的迅速增長(zhǎng)，風(fēng)電在電網(wǎng)中占的比重越來(lái)越大，并且由于風(fēng)速和風(fēng)向的不確定性使風(fēng)電功率呈現(xiàn)出波動(dòng)性和間歇性的特點(diǎn)，大規(guī)模風(fēng)電并網(wǎng)勢(shì)必給電力系統(tǒng)安全運(yùn)行帶來(lái)嚴(yán)重沖擊。而有效的風(fēng)電功率預(yù)測(cè)可以電網(wǎng)調(diào)度提供參考依據(jù)，因此，對(duì)如何提高風(fēng)電功率預(yù)測(cè)的準(zhǔn)確性和可靠性的研究具有重要現(xiàn)實(shí)和理論意義。本文通過(guò)分析了現(xiàn)有風(fēng)電功率預(yù)測(cè)方法的優(yōu)缺點(diǎn)，提出一種風(fēng)電功率組合預(yù)測(cè)智能模型，具體研究?jī)?nèi)容如下：
　　首先，針對(duì)風(fēng)速序列的非線性及非平穩(wěn)

2、性，對(duì)風(fēng)速數(shù)據(jù)進(jìn)行相空間重構(gòu)，利用Elman神經(jīng)網(wǎng)絡(luò)建立風(fēng)速預(yù)測(cè)模型，為風(fēng)電功率預(yù)測(cè)提供實(shí)驗(yàn)基礎(chǔ)。
　　其次，針對(duì)支持向量機(jī)最優(yōu)模型核函數(shù)和懲罰系數(shù)參數(shù)的選擇，提出了二維優(yōu)化算法-自適應(yīng)蜂群算法，并利用其獲得最優(yōu)模型參數(shù)，以預(yù)測(cè)風(fēng)速值作為模型輸入，以預(yù)測(cè)功率作為模型輸出，在此基礎(chǔ)上建立自適應(yīng)蜂群算法優(yōu)化的短期風(fēng)電功率預(yù)測(cè)模型，通過(guò)實(shí)例仿真驗(yàn)證該模型的可行性與可靠性。
　　再次，利用自適應(yīng)蜂群算法優(yōu)化的短期風(fēng)電功率預(yù)測(cè)模型、E

3、lman反饋神經(jīng)網(wǎng)絡(luò)及 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法提出兩種組合預(yù)測(cè)模型——基于熵判別蜂群算法的智能組合預(yù)測(cè)模型和基于Theil不等系數(shù)與IOWA算子的組合預(yù)測(cè)模型。前者提出多維優(yōu)化算法-熵判別蜂群算法以解決組合模型權(quán)重確定問(wèn)題。后者從相關(guān)性角度進(jìn)行研究,采用IOWA算子，使組合模型的各個(gè)時(shí)刻點(diǎn)上的權(quán)系數(shù)僅與預(yù)測(cè)精度有關(guān)。
　　最后，通過(guò)兩個(gè)風(fēng)場(chǎng)實(shí)測(cè)數(shù)據(jù)驗(yàn)證，表明兩種組合方法預(yù)測(cè)精度較常規(guī)預(yù)測(cè)方法明顯提高。在此基礎(chǔ)上以熵判別蜂群算法優(yōu)化的