本文關鍵詞：基于WRF模式的短期風速預測及訂正方法研究

  更多相關文章： 短期風速預測 WRF模式 優(yōu)化極限學習機 主成分分析法 徑向基函數(shù)神經(jīng)網(wǎng)絡 風速訂正

【摘要】：風能作為一種清潔、可再生、無污染的新型能源受到世界各國的重視,發(fā)展迅速。近年來風力發(fā)電容量急劇增長,尤其是我國,目前已經(jīng)成為世界上風電裝機總量最大的國家。然而風能具有波動性、間歇性和隨機性的特點,大規(guī)模的風電并網(wǎng)必然會給電力系統(tǒng)的安全穩(wěn)定和社會經(jīng)濟的高效運行帶來嚴峻的挑戰(zhàn)。要想提高風力發(fā)電的利用率以及減少對電網(wǎng)運行的負面影響,必須能提前準確地預測風電功率,而風電功率預測中最為重要的輸入因子是風速,因此準確的風速預測是風電功率預測的前提和基礎。為了有效地對風電場短期風速進行預測,本文對短期風速預測及其訂正方法進行了深入的研究,主要工作內(nèi)容如下：首先,本文采用WRF模式預報風電場的短期風速,模式資料來自于NCEP/GFS全球天氣預報資料,預報時效為0-72小時。利用WRF模式預報了風電場所在區(qū)域一年的風速、風向等氣象要素,利用雙線性插值法將預報結(jié)果插值到測風塔風機輪轂高度(70m)處。將WRF預報數(shù)據(jù)與測風塔實測風速、風向數(shù)據(jù)進行對比分析,結(jié)果表明,WRF模式預報風速大于測風塔實測風速,但.預報風速的變化趨勢與實測風速的變化趨勢較為吻合；預報風向和實測風向也有著較好的一致性。因此,WRF模式預報輸出的風速用于短期風電功率預測是有效、可行的,但在準確度上還有待進一步的提高。其次,為了提高WRF模式預報風速的準確度,本文引入極限學習機方法(ELM)對預報風速進行訂正,針對傳統(tǒng)極限學習機的擬合性能會在一定程度上受到網(wǎng)絡結(jié)構(gòu)的影響,利用差分進化算法(DE),優(yōu)化極限學習機網(wǎng)絡輸入層的權值和隱含層偏置,并利用共軛梯度法(CG)求解網(wǎng)絡的輸出權值,使得極限學習機算法得到進一步的優(yōu)化。上述改進,解決了大樣本數(shù)據(jù)的訓練問題,提高了模型的泛化能力。實驗結(jié)果表明,優(yōu)化極限學習機算法的訂正誤差相比傳統(tǒng)極限學習機算法有了明顯的減小,驗證了優(yōu)化極限學習機算法的有效性；訂正后的風速相比WRF模式預報風速誤差更小,更接近于實際的風速。最后,由于風向、氣溫、氣壓等氣象要素對短期風速預測精度也會產(chǎn)生重要的影響,基于主成分分析法(PCA)與徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡建立了多氣象要素的短期風速二次訂正模型。采用主成分分析法對優(yōu)化極限學習機算法訂正風速及其他氣象要素數(shù)據(jù)進行處理,消除數(shù)據(jù)之間的相關性,將主成分分析處理后的數(shù)據(jù)作為徑向基函數(shù)神經(jīng)網(wǎng)絡的輸入。實驗結(jié)果表明,基于主成分分析法與徑向基函數(shù)神經(jīng)網(wǎng)絡的二次訂正模型進一步減小了預報風速的誤差,改善了預報風速的趨勢差異,提高了短期風速預測的精度。
【學位授予單位】：南京信息工程大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM614
，

本文編號：1283374