论文部分内容阅读
随着风电规模的增加，风电在给我们带来多方面的利益的同时，也给电网的运行带来了挑战，当风电穿透功率超过一定值之后，就会严重影响到电能质量和电力系统的稳定运行，而且会危及常规发电方式，主要表现为电压和频率会有较大幅度的波动。更严重的是，当风电机组由于风速过大而退出运行时，可能会给电力系统造成难以承受的冲击。因此，对风电的输出功率进行准确的预测，不仅可以减少风电并网给电网带来的冲击力和不稳定性，同时也可以合理的调配电力资源，使得风电发挥更大的作用。
本论文在当前国内外风电功率研究现状的基础上，对风功率短期预测的方法展开了进一步的研究，论文具体工作如下:
(1)分析风电机组风速-功率模型，研究天气变化对对风电机组实际功率输出的影响，建立风电场功率短期预测的BP神经网络模型，运用数值天气预报(NWP)数据作为输入，风电场实际输出功率为网络输出目标值，对BP神经网络进行训练，用训练好的BP神经网络对未来12小时、24小时、48小时和72小时的风电场输出功率进行预测，预测平方绝对误差分别为:6.33％、8.81％、13.67％和13.03％;
(2)利用LM算法优化BP神经网络模型，用优化好的模型和标准的BP网络模型进行比较，结果显示，优化后的模型训练速度更快，预测精度更高;
(3)利用迭代自组织数据分析技术(ISODATA)聚类算法，对NWP数据进行聚类运算，利用聚类的NWP数据对优化后的BP神经网络进行训练，用训练后的BP神经网络对风电场功率进行预测，得到聚类后的BP神经网络预测平方绝对误差分别为:6.31％、7.16％、10.54％和9.98％。