论文部分内容阅读
风能是21世纪最具代表性的清洁型可再生能源之一。目前全世界平均每一年的风能总量大约等同于每年煤能量消耗的1000倍以上,它的含量要远远超过于水能、火能,同时也大于固体和液体燃料的总能量,因此风力发电越来越引起全球的关注。风能的特点是它的分布范围比较广泛,但能量密度较低,由于常处在大气的自由运动状态而稳定性较低。虽无处不在,无时不有,但具有很大的随机性。因此造成风机发电功率的大幅度波动,导致电网并网的风电机组的电力供电无法满足稳定性、连续性和可调性等要求,输出功率的不断变化容易对电网造成冲击,加剧电网的调峰运行负担。也给电力部门的调度工作带来了很大的困难。因此提出一种有效的风电场输出功率预测方法成为本文的研究重点。通过研究发现,应用时间序列法找出历史样本规律,对风电场输出功率进行短时间预测结果比较准确。但对于长时间的预测,由于风电场输出功率具有很大的随机性,且受到气象等众多因素的影响,而时间序列法仅考虑风速或功率的单一因素影响,因此预测误差很大。而在应用BP神经网络对风电场输出功率预测时,虽然以数值天气预报作为预测的基础,但如果输入空间严重自相关及网络维数较高时,BP神经网络的预测精度会下降。针对这一问题,本文首先采用K-S方法选取样本,再用主成分分析法,提取有效信息,求解出主成分,消除样本间的相关性,优化样本。同时提出风电场输出功率双重神经网络预测模型,以弥补单一预测模型的缺陷,提高预测精度。通过与以往单一模型预测方法的比对,实例结果表明双重神经网络模式下的风电场输出功率预测模型消除了输入因子的相关性并简化了网络结构,大大提高了预测的准确率,具有可行性和有效性。最后对预测误差进行了分析,得出风电场输出功率预测误差不仅与预测模型有关,而且与风机的功率曲线也有很大的关系。