论文部分内容阅读
目前,风力发电已经发展成为中国继煤电、水电之后的第三大电源。作为一种新型的清洁能源,风力发电具有发电技术较为成熟、成本下降较为迅速等优点,因此风电在电力行业的地位不断提升,发电量占比随着装机容量规模的扩大而逐年迅速增长。根据世界风能协会的相关数据,截止2017年底,全球风电装机容量累计达到539GW,其中2017年新增52.6GW,可见风力发电产业已颇具规模并继续保持高速增长的态势。尽管目前中国有着全世界最大的风电装机容量,但面临的问题是风力发电量在总发电量中的占比较低。相较而言,在丹麦、葡萄牙和西班牙等欧洲国家,风力发电已经成为其最重要的电力来源之。面对风电产业的大规模发展以及对于风力发电的需要,高精度的风功率预测就有着举足轻重的实践意义。高精度的风速预测能够提高风能利用的效率,从而提升风力发电的经济效益、降低风力发电的成本、改进电力系统的安全性能。在此背景下,本文提出一种结合了集合经验模态分解(EEMD)、模拟退火算法(SA)和BP神经网络的新型混合风速预测模型E-SA-BP进行风速预测。作为当今广泛使用的人工智能预测方法,BP神经网络具有推理依据可靠、推导过程严谨、预测精度较高、模型通用性较好的优点。基于此,本文选择BP神经网络作为混合风速预测模型的基础;但考虑到BP神经网络具有容易陷入局部极小值、网络结构选择不能统一、隐含层节点个数的确定缺乏理论依据等问题,本文提出了以下几点改进方式:1.使用EEMD分解原始风速数据、去除高频数据中的噪声干扰并重组数据;2.选择SA优化BP神经网络的权值和阈值,对其进行网络结构的改进。首先,本文使用EEMD分解原始的风速数据,去除原始数据中高频噪声的干扰并重组风速数据,旨在提高预测的精度。事实证明,该步骤是风速预测模型中的关键一步,经过EEMD的处理之后,风速预测的误差被大幅降低。由于BP神经网络的学习和记忆具有不稳定性,于是本文将SA引入到风速预测模型中,用于优化BP神经网络的权值和阈值,以改进网络结构,提高预测精度。SA具有较强的局部搜索能力,能找到组合优化问题的全局最优解,能避免搜索陷入局部最优解,并且寻优所消耗的时间也比较令人满意。因此,本文选择SA来为BP神经网络搜索产生最小预测误差的权值和阈值,改进神经网络的网络结构。SA的加入也在一定程度上提高了预测的精度。基于以上两点,本文以BP神经网络作为混合预测模型的基础,结合EEMD和SA,对BP神经网络进行改进和完善,提出了一种被称为E-SA-BP的新型混合风速预测模型。最后,本文选择中国山东省胶东半岛三站点风速数据检验所提出模型的性能。模型检验结果显示,相较于传统的一阶移动平均模型(MA(1))、一阶指数平滑模型(ES(1))、二阶指数平滑模型(ES(2))、自回归移动平均模型(ARMA)、差分整合移动平均自回归模(ARIMA)、BP神经网络(BP)、模拟退火算法优化的BP神经网络(SA-BP)及集合经验模态分解优化的BP神经网络(E-BP),本文提出的混合风速预测模型E-SA-BP具有较高的预测精度和稳定性,适合进行风速预测。虽然本文所提出的混合预测模型在风速预测精度和模型稳定性方面取得些许突破,但本次研究仍然存在不足之处。本文做得不足的地方有:1.本文提出的混合预测模型着重考虑了统计建模方法与人工智能方法在风速预测中的应用,其他风速预测方法,如空间相关方法、物理模拟方法等并没有涉及,方法的选择上具有局限性。在进一步的研究中可综合考虑多种类型的风速预测方法,将他们进行组合、相互比较。2.本文提出的混合风速预测模型仅仅做了单步预测,进行多步预测是否会有更好的预测效果、能否进一步提升预测的精度,这些都是继续研究需要考虑进去的因素。3.本文仅考虑到SA对于BP神经网络的参数优化具有一定的改进效果,并未将其他算法的优化效果与之进行对比,缺乏研究的全面性和广泛性。