论文部分内容阅读
近年来,在全球的化石燃料日渐枯竭,在我国大力发展可再生能源背景下,风力发电技术扮演着重要角色。但风力发电伴随着风的波动性、间歇性和不确定性对电网的稳定运行带来严峻的挑战。因此风电功率的准确预测对整个风力发电事业的发展产生巨大影响。鉴于此提高风电预测精度已经成为一个重要课题。首先,针对风电场的测风塔实测风速和数值天气预测(Numerical Weather Prediction,NWP)风能数据,其数据特征的研究是提高预测精度的前提条件,通过定量分析得NWP风能信息、测风塔实测风速信息的关联程度,再通过长短期记忆网络(long-short term memory,LSTM)对NWP风速进行修正。其次,提出一种基于原子稀疏分解(Atomic Sparse Decomposition,ASD)和混沌理论的风电功率超短期多步预测模型。首先利用ASD良好的序列趋势跟踪特性,将风电功率时间序列分解成多个原子趋势分量和一个残差随机分量;然后分别利用自适应预测法和混沌理论对两分量进行超短期预测;最后将两分量的预测结果叠加,得到最终的风电功率预测结果。再次,通过考虑未来的风速信息来提高功率突变时的预测精度,首先考虑理想的风电功率曲线不能代替真实的功率输出,提出了风电功率曲线的拟合方法,其次,由于风电功率曲线的差异性,提出了改进的FCM聚类,得到最优的划分结果,并建立基于“切换机制”的风电功率超短期预测,针对不同的波动趋势采取不同的预测方法,最后通过不同风电场的算例验证模型的有效性。最后,本文提出了广义误差的概率分布的分层补偿方法,首先对历史的预测值和历史的实际功率值建立广义误差分布,然后给出该分布的不同置信度下的置信区间,并根据预测区间建立不同的误差层。不同的误差层补偿的数值不同,对原来的预测值进行补偿。通过实例分析结果表明,经过补偿后的方法能够有效地提升大规模风电场风电功率超短期预测精度。