本文選題：風速預測 + 風電功率預測　； 參考：《華北電力大學》2017年碩士論文

【摘要】：由于風能的非平穩(wěn)性和波動性,風電的大規(guī)模并網(wǎng)將會給電網(wǎng)帶來非常大的沖擊。對于風速與風電功率的精準預測不僅有利于電網(wǎng)的調度,還可以提高風電功率的利用效率以及保證電網(wǎng)的穩(wěn)定運行。本文采用了基于優(yōu)化的灰色GM(1,1)模型與應用BP神經(jīng)網(wǎng)絡修正的灰色殘差模型分別對風電場的風速與風電功率進行預測。首先,由于傳統(tǒng)灰色GM(1,1)模型在對非線性數(shù)據(jù)進行預測時誤差較大,本文采取了數(shù)值逼近算法對灰色GM(1,1)模型進行優(yōu)化。選取風電場實際的風速數(shù)據(jù),應用優(yōu)化的灰色GM(1,1)模型對風速預測時,預測誤差明顯減小,相對誤差降低了35%。在預測風速的基礎上,對風電場周邊的溫度及風向也分別進行了仿真預測,并對結果進行了誤差分析,更加驗證了此預測方法的可行性與穩(wěn)定性。其次,由于BP神經(jīng)網(wǎng)絡對非線性的預測有很好的效果,因此結合GM(1,1)模型與BP神經(jīng)網(wǎng)絡模型各自的優(yōu)點,提出了利用BP神經(jīng)網(wǎng)絡修正的灰色殘差預測模型。分別采用灰色GM(1,1)模型、BP神經(jīng)網(wǎng)絡模型以及構建的BP神經(jīng)網(wǎng)絡修正的灰色殘差模型對風電場風電功率進行短期預測。再次,對預測結果進行誤差分析后得出,修正后模型的預測精度和穩(wěn)定性都比單一模型有了較大的提高,證明了建立的模型在實際應用中的有效性,可以為電力調度部門提供參考依據(jù)。最后,作為今后工作的研究方向,本文對風電場風速分布特性進行了研究,通過研究風速的年變化與日變化規(guī)律,得出風電場風速分布具有明顯的季節(jié)性的特點。
[Abstract]:Due to the nonstationary and fluctuating of wind power, large-scale grid connection of wind power will bring great impact to the power grid. The accurate prediction of wind speed and wind power is not only conducive to the dispatch of power grid, but also can improve the utilization efficiency of wind power and ensure the stable operation of power grid. In this paper, the wind speed and wind power of wind farm are forecasted by using the grey GM1 / 1) model based on optimization and the grey residual model modified by BP neural network, respectively. Firstly, because the traditional grey GM1 / 1) model has a large error in forecasting nonlinear data, the grey GM1 / 1) model is optimized by the numerical approximation algorithm in this paper. The actual wind speed data of wind farm are selected and the prediction error is obviously reduced and the relative error is reduced by 35% when the optimized grey GM1 / 1) model is applied to predict the wind speed. Based on the prediction of wind speed, the temperature and wind direction around the wind farm are simulated, and the error analysis of the results is carried out, which verifies the feasibility and stability of the prediction method. Secondly, because BP neural network has good effect on nonlinear prediction, combining the advantages of GM-1) model and BP neural network model, a grey residual prediction model modified by BP neural network is put forward. The grey GM1 / 1) model and the BP neural network model and the modified grey residual model are used to predict the wind power of wind farm in the short term. Thirdly, after error analysis of the prediction results, it is concluded that the prediction accuracy and stability of the modified model are much higher than that of the single model, which proves the validity of the established model in practical application. It can provide reference for power dispatching department. Finally, as the research direction in the future, the wind speed distribution characteristics of wind farm are studied in this paper. By studying the annual and diurnal variation of wind speed, it is concluded that the wind speed distribution of wind farm has obvious seasonal characteristics.
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TM614;N941.5

【參考文獻】

相關期刊論文 前10條

1 周觀民;王東霞;;基于人工神經(jīng)網(wǎng)絡的制冷系統(tǒng)工況模擬[J];計算機測量與控制;2015年07期

2 ;2014年中國風電裝機容量統(tǒng)計[J];風能;2015年02期

3 ;2014年全球風電裝機容量統(tǒng)計[J];風能;2015年02期

4 趙慧;黨張利;趙志遠;王聚杰;張文煜;;基于小波分解的統(tǒng)計模型對小時風速的預測[J];蘭州大學學報(自然科學版);2014年04期

5 牛東曉;范磊磊;;風電功率預測方法綜述及發(fā)展研究[J];現(xiàn)代電力;2013年04期

6 蘇贊;王維慶;王健波;常喜強;張新燕;;風電功率預測準確性分析[J];電氣技術;2012年03期

7 陳寧;沙倩;湯奕;朱凌志;;基于交叉熵理論的風電功率組合預測方法[J];中國電機工程學報;2012年04期

8 王健;嚴干貴;宋薇;穆鋼;;風電功率預測技術綜述[J];東北電力大學學報;2011年03期

9 洪翠;林維明;溫步瀛;;風電場風速及風電功率預測方法研究綜述[J];電網(wǎng)與清潔能源;2011年01期

10 李俊芳;張步涵;謝光龍;李妍;毛承雄;;基于灰色模型的風速-風電功率預測研究[J];電力系統(tǒng)保護與控制;2010年19期

相關博士學位論文 前1條

1 潘志松;基于神經(jīng)網(wǎng)絡的入侵檢測研究[D];南京航空航天大學;2003年

相關碩士學位論文 前6條

1 徐蓓蓓;風電場風速和發(fā)電功率預測研究[D];長沙理工大學;2012年

2 張臻;風電功率短期預測方法研究[D];華南理工大學;2010年

3 張艷青;基于神經(jīng)網(wǎng)絡的風電場風速及輸出功率預測研究[D];華北電力大學（河北）;2010年

4 孫勁松;風電場輸出功率預測的研究[D];華北電力大學（河北）;2009年

5 趙曉麗;基于小波ARIMA模型的風電場風速短期預測方法研究[D];華北電力大學（北京）;2010年

6 周偉;廣義GM（1，，1）預測模型的構建、擴展及其應用研究[D];南京航空航天大學;2009年

本文編號：2025536