论文部分内容阅读
风能作为一种经济、实用和安全的可再生能源被人类广泛关注,发展以风能为主导的可再生能源已经成为中国乃至全世界的必然趋势。但由于风速的间歇性、随机性,使得风电功率具有很大的波动性,其变化都是毫无规律。因此预测技术显得尤为重要,有效的预测风电功率不仅可以提前对并入风电的电网进行合理地调度,有效的减少风电出力对电网的冲击,在风电并网过程中提高电力系统稳定性;还可以有效降低风电场运营降低成本,建立配套设施以及相关产业的发展,提高风电的市场效益与社会效益。本文提出了一种基于极点对称模态分解(ESMD)的混合预测模型进行风电短期功率预测。首先对风电功率原始数据进行判断,对不同海拔高度的气象数据指标用相关分析进行筛选;其次采用ADF检验与BDS检验风电功率指标与气象数据指标,创新采用ESMD将风电功率逐级分解成若干平稳的本证模态分量(IMF)和趋势项(R);然后采用样本熵的方法按照特征相近原则重构成新分量;最后采用灰狼算法(GWO)优化极限学习机(ELM)的连接权值和阈值,构建的GWO-ELM模型对新分量分别进行预测并将其预测值叠加得到最终预测值,选取其他对照的预测模型并通过实证研究验证本文提出模型的有效性和实用性。本文采用白鹤风电场从4月1日到4月30日的功率数据和气象数据作为实证研究的数据样本,结果表明风电功率数据序列不服从正态分布,具有非线性、非平稳的特征;距海平面10米高的风速、风向、气压、温度和湿度与风电功率相关程度最高;从频率和振幅两方面对若干分量进行统计分析,频率指标波动较弱的曲线分量在原始序列中振幅占比较大,进而要着重对第七个分量和趋势项进行有效预测;本文提出的ESMD-GWO-ELM混合模型预测性能优于单一形式模型,因为ESMD将风电功率数据简单化处理,降低了建模与预测的维度,提高了模型预测精度,此外GWO-ELM模型比单一ELM具有更快的收敛性与更强的泛化性,因此本文提出的模型适用于风电短期功率预测。