發(fā)布時(shí)間：2020-04-29 11:46

【摘要】：隨著清潔能源概念的普及,風(fēng)力發(fā)電因其資源豐富、技術(shù)成熟、利用效率高等優(yōu)勢(shì)逐漸成為主要的發(fā)電方式之一。但由于風(fēng)的間歇性、不確定性以及大規(guī)模風(fēng)電并網(wǎng)危害電力系統(tǒng)安全穩(wěn)定性問(wèn)題的日益突出,因此精準(zhǔn)的風(fēng)電短期功率預(yù)測(cè)技術(shù)起到極其重要的作用。功率預(yù)測(cè)能夠讓電網(wǎng)工作人員安排更加合理的調(diào)度計(jì)劃,準(zhǔn)確地做出啟停機(jī)判斷,使更多風(fēng)電得到消納。為此,本文的研究主要圍繞如何提高風(fēng)電短期功率預(yù)測(cè)的精度展開(kāi)。首先,概述了國(guó)內(nèi)外關(guān)于風(fēng)電短期功率預(yù)測(cè)的研究方法及分類(lèi)方式,介紹了風(fēng)電功率預(yù)測(cè)的流程、理論基礎(chǔ),對(duì)風(fēng)電運(yùn)行參數(shù)進(jìn)行了分析。將風(fēng)場(chǎng)采集的數(shù)據(jù)進(jìn)行六次多項(xiàng)式擬合,結(jié)果符合風(fēng)速-功率曲線(xiàn),為接下來(lái)的數(shù)據(jù)清洗提供了理論基礎(chǔ)。其次選用了BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)三種典型的淺層神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)電場(chǎng)短期功率預(yù)測(cè)進(jìn)行建模與仿真分析,對(duì)比了三種神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果及誤差。利用灰狼優(yōu)化算法對(duì)三種模型的參數(shù)進(jìn)行優(yōu)化,將單一的淺層預(yù)測(cè)模型與優(yōu)化后的模型進(jìn)行仿真對(duì)比,通過(guò)預(yù)測(cè)效果及誤差分析得出,基于灰狼優(yōu)化后的淺層神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的預(yù)測(cè)值更加接近真實(shí)值,證實(shí)了灰狼優(yōu)化算法可以提高功率預(yù)測(cè)的精度。再次,在淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電短期功率預(yù)測(cè)的基礎(chǔ)上,提出了一種新型深層神經(jīng)網(wǎng)絡(luò)組合模型的預(yù)測(cè)方法。該方法以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),利用灰狼優(yōu)化算法對(duì)超參數(shù)進(jìn)行初始化尋優(yōu),再通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行微調(diào),引入預(yù)測(cè)偏差二次修正,建立了基于GWO-CNN-ec的組合預(yù)測(cè)模型。通過(guò)仿真分析得出,基于GWO-CNN-ec組合模型的預(yù)測(cè)曲線(xiàn)更加接近實(shí)際值,在高風(fēng)速段時(shí)尤為明顯。證明深層卷積神經(jīng)網(wǎng)絡(luò)組合模型對(duì)風(fēng)電短期功率預(yù)測(cè)精度的提升有顯著作用。最后對(duì)比了經(jīng)灰狼算法優(yōu)化后的深層、淺層網(wǎng)絡(luò)預(yù)測(cè)效果,證實(shí)了深層神經(jīng)網(wǎng)絡(luò)組合模型在風(fēng)電短期功率預(yù)測(cè)的方面具有更多優(yōu)勢(shì)。
【圖文】：

1圖 1-1 2006 年至 2016 年全球新增和累計(jì)風(fēng)電裝機(jī)容量同樣截止到 2016 年底，國(guó)內(nèi)風(fēng)電裝機(jī)規(guī)模也在大幅度攀升。其中新增容量達(dá)到 2337 萬(wàn)千瓦，雖然新增裝機(jī)容量增速較前幾年稍有回落，但

圖 1-2 2006 年至 2016 年中國(guó)新增和累計(jì)風(fēng)電裝機(jī)容量而在風(fēng)電多重優(yōu)勢(shì)下，國(guó)內(nèi)很多企業(yè)對(duì)其過(guò)量開(kāi)發(fā)，導(dǎo)致風(fēng)電并網(wǎng)容量，這對(duì)電力系統(tǒng)控制及安全穩(wěn)定運(yùn)行帶來(lái)了嚴(yán)峻挑戰(zhàn)。風(fēng)機(jī)并網(wǎng)運(yùn)行中多種環(huán)境因素與機(jī)組自身的影響，比如溫度、濕度、氣壓、風(fēng)速和風(fēng)年四季的風(fēng)速變化以及機(jī)組自身?yè)p耗等，此外加上風(fēng)的各種不穩(wěn)定特
【學(xué)位授予單位】：湖南工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TM614

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓爽;孟航;劉永前;閻潔;;增量處理雙隱層BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型[J];太陽(yáng)能學(xué)報(bào);2015年09期

2 薛禹勝;郁琛;趙俊華;Kang LI;Xueqin LIU;Qiuwei WU;Guangya YANG;;關(guān)于短期及超短期風(fēng)電功率預(yù)測(cè)的評(píng)述[J];電力系統(tǒng)自動(dòng)化;2015年06期

3 朱思萌;楊明;韓學(xué)山;李建祥;;多風(fēng)電場(chǎng)短期輸出功率的聯(lián)合概率密度預(yù)測(cè)方法[J];電力系統(tǒng)自動(dòng)化;2014年19期

4 肖遷;李文華;李志剛;劉金龍;劉會(huì)巧;;基于改進(jìn)的小波-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)速和風(fēng)電功率預(yù)測(cè)[J];電力系統(tǒng)保護(hù)與控制;2014年15期

5 崔明建;孫元章;柯德平;;基于原子稀疏分解和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率爬坡事件預(yù)測(cè)[J];電力系統(tǒng)自動(dòng)化;2014年12期

6 劉芳;潘毅;劉輝;丁強(qiáng);李強(qiáng);王芝茗;;風(fēng)電功率預(yù)測(cè)誤差分段指數(shù)分布模型[J];電力系統(tǒng)自動(dòng)化;2013年18期

7 孟巖峰;胡書(shū)舉;鄧雅;許洪華;;風(fēng)電功率預(yù)測(cè)誤差分析及預(yù)測(cè)誤差評(píng)價(jià)方法[J];電力建設(shè);2013年07期

8 楊茂;馬秀達(dá);溫道揚(yáng);莊明振;王文靜;;風(fēng)電功率預(yù)測(cè)研究綜述[J];電測(cè)與儀表;2013年07期

9 秦政;包德梅;賴(lài)曉路;岳以洋;王媛媛;;風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)系統(tǒng)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年07期

10 張靠社;楊劍;;基于Elman神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J];電網(wǎng)與清潔能源;2012年12期

，

本文編號(hào)：2644540