论文部分内容阅读
随着化石能源的大量使用,能源危机和环境污染的形势加剧,寻找可再生的清洁能源日益受到各国人民的密切关注。作为一种重要的可再生能源,风能由于蕴藏量巨大、清洁无污染,且开发成本低,应用前景十分广阔。然而,由于受到风向、气压、温度等多种因素的影响,风电功率具有很强的间歇性和不稳定性,这些特性影响了风能的大规模并网和风力发电机组的控制操作,这样制约了风能的进一步开发使用。对风电功率进行准确预测是解决这些问题的有效办法。传统的预测方法多数是点预测模型,给出的是风电功率的确定性值,但是由于风能有较强的随机性和波动性,点预测误差是客观存在的,这使得点预测的结果很难与风电功率的实际值完全一致,并且这一方法无法计算预测的确定值出现的概率。而建立在点预测的基础上的区间预测可以给出不同置信度下风电功率的波动范围,这样能更好的描述风电功率的变化规律,从而帮助电网工作人员做出更加正确的决策。因此,本文建立了一种基于信号分解的组合模型来对风电功率进行区间预测。首先,考虑到实际的风电功率往往包含多个特性不同的固有模态成分,具有很强的波动性,本文使用了集成经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)对风电功率进行处理,提取出不同的固有模态分量,从而将不稳定的原始数据转化为一系列相对稳定的子序列。接着使用最小二乘支持向量机(Least Square Support Vector Machine,简称LSSVM)这种泛化能力强、训练效率高的算法对各个子序列进行预测。为了提高LSSVM的预测表现,一方面需要根据各个子序列的特性找到和输出变量相关性大的输入变量,另一方面还需要找到合适的模型参数。不同于以往通过个人经验来确定模型输入变量个数的方法,本文采用了偏自相关函数(Partial Autocorrelation Function,简称PACF)技术来计算各个子序列不同时刻数值点之间的相关性,并将序列的滞后阶数确定为模型输入变量的个数。同时,为了对LSSVM的模型参数进行优化,本文首先使用具有较强全局寻优能力的飞蛾火焰优化(Moth-flame Optimization,简称MFO)算法对模型进行一定代数训练,接着使用具有较强的局部寻优能力的网格搜索(Grid Search,简称GS)算法在MFO优化结果的附近进行进一步寻优从而防止MFO因为在离最优解较近的地方搜索速度较慢而可能在一定代数内没有将参数完全优化为最优参数。在完成子序列的点预测后,使用威布尔分布函数对点预测误差的概率密度分布进行估计,进而计算出不同置信水平下的误差波动范围,再叠加上点预测得到的确定数值,从而完成对子序列的区间预测。最后,将各个子序列的区间预测结果进行叠加,作为风电功率最终的区间预测结果。为了验证提出的EEMD-LSSVM模型的预测效果,本文将EEMD-LSSVM和三种对比模型用来对实际的风电功率序列进行预测,实验结果表明本文提出的EEMD-LSSVM模型有着更高的预测精度和可靠的预测区间。