论文部分内容阅读
随着社会和经济的快速发展,传统的化石燃料已不能满足人们对能源的需求,可再生能源的发展已经成为各国关注的焦点,其中,风力发电的关注程度最高。近几年,我国风力发电发展速度惊人,据能源局统计,2015年的风力发电量占总发电量的比例是3.3%。随着风力发电所占比重的持续增加,风电并网给电网的安全稳定运行及电力调度带来了严重影响,准确地短期风电功率预测能够有效地解决这些问题。因此,研究风电功率短期预测具有重要的意义。(1)从短期风电功率预测的基本方法、误差分析和机制流程三方面对短期风电功率预测的基本理论进行了介绍。然后,分别采用基于相似日法和最小二乘支持向量机(LS-SVM)法的短期风电功率预测方法进行了实例分析,结果表明运用LS-SVM法得到的预测结果的误差要小于运用相似日法得到的预测值的误差。(2)为克服传统聚类算法局部寻优的缺陷,基于改进的模糊C-均值聚类算法,提出了一种综合聚类算法,并将其运用到RBF神经网络中心的确定上,进而给出了一种基于RBF神经网络的短期风电功率预测方法。最后,采用该RBF神经网络法进行了短期风电功率预测的实例分析,预测结果表明,本文给出的基于RBF神经网络的风电功率预测方法能够有效提高预测精度。(3)针对单项预测方法的局限性,介绍了两种基本组合预测方法,并基于灰色关联度的IOWGA算子组合预测方法,给出了一种短期风电功率最优组合预测方法。最后,将上文给出的RBF神经网络法、相似日法和LS-SVM法作为单项预测方法,运用所提出的最优组合预测方法和两种基本组合预测方法进行了短期风电功率预测的实例分析,结果表明,风电功率最优组合预测方法能够有效地集成各单项预测的信息,从而达到改善风电功率预测精度的目的。