【摘要】：隨著風(fēng)力發(fā)電的快速發(fā)展,風(fēng)電場并網(wǎng)容量不斷遞增。近幾年來,大型風(fēng)電場建設(shè)已基本完成,為增加新能源發(fā)電裝機容量,我國開始挖掘分散式風(fēng)電場的資源,大力發(fā)展分散式風(fēng)電場。但由于風(fēng)速的波動性和不確定性,風(fēng)力發(fā)電產(chǎn)生的風(fēng)功率大小也具有不確定性,對電網(wǎng)的擾動也越來越大。當前,許多分散式風(fēng)電場并沒有風(fēng)功率短期預(yù)測設(shè)備,給當?shù)卣{(diào)度和自身發(fā)展帶來諸多難題。因此分散式風(fēng)電場的風(fēng)功率短期預(yù)測勢在必行,準確的風(fēng)功率預(yù)測為風(fēng)電場競價上網(wǎng)提供了可靠保證,對調(diào)度自動化實現(xiàn)和現(xiàn)場指導(dǎo)具有深遠意義。當前,風(fēng)功率的預(yù)測方法主要有時間序列法、BP神經(jīng)網(wǎng)絡(luò)法和支持向量機。但是,時間序列法存在定階困難的問題,BP神經(jīng)網(wǎng)絡(luò)存在權(quán)值選擇問題,支持向量機存在參數(shù)設(shè)置的問題。本文針對不同風(fēng)電場的現(xiàn)實狀況和預(yù)測需求,利用改進人工蜂群結(jié)合三種不同方法對上述風(fēng)電場經(jīng)網(wǎng)絡(luò)法對0-4小時以內(nèi)的風(fēng)功率進行預(yù)測,結(jié)果發(fā)現(xiàn),該方法適用于歷史數(shù)據(jù)比較充裕,對預(yù)測精度要求比較高的場合。最后,針對BP神經(jīng)網(wǎng)絡(luò)需要數(shù)據(jù)量大、容易陷入局部最優(yōu)和學(xué)習(xí)速度慢等問題,將改進人工蜂群的支持向量機法應(yīng)用到風(fēng)功率預(yù)測中來；該算法需求的數(shù)據(jù)樣本少,預(yù)測準確度較高,避免了其它一些學(xué)習(xí)算法的復(fù)雜學(xué)習(xí)過程。事實證明,該算法適合于數(shù)據(jù)樣本少、預(yù)測準確度要求比較高的場合。為了滿足國家電網(wǎng)對分散式風(fēng)電并網(wǎng)和風(fēng)電場自身發(fā)展要求,本文還開發(fā)了一種分散式風(fēng)電風(fēng)功率預(yù)測軟件。該軟件基于VB.net語言,在處理復(fù)雜計算過程時,主要依賴于MATLAB的動態(tài)鏈接庫文件；該軟件可以基于實時數(shù)值天氣預(yù)報和歷史風(fēng)資源數(shù)據(jù),實現(xiàn)未來一段時間內(nèi)的風(fēng)功率預(yù)測功能,另外該軟件還可以根據(jù)調(diào)度提供的數(shù)據(jù)進行實時監(jiān)控預(yù)警功能。最后,利用該軟件對本提到的各種算法進行驗證比較,結(jié)果分析了上述各個算法的適用性和不可替代性。
[Abstract]:With the rapid development of wind power generation, the grid capacity of wind farm is increasing. In recent years, the construction of large-scale wind farms has been basically completed. In order to increase the installed capacity of new energy generation, China began to tap the resources of decentralized wind farms and vigorously develop decentralized wind farms. However, due to the volatility and uncertainty of wind speed, the wind power generated by wind power generation is also uncertain, and the disturbance to the power grid is becoming more and more serious. At present, many decentralized wind farms do not have short-term wind power forecasting equipment, which brings many difficulties to local scheduling and their own development. Therefore, short-term wind power prediction is imperative for decentralized wind farms. Accurate wind power prediction provides a reliable guarantee for wind farm bidding and has far-reaching significance for the realization of dispatching automation and field guidance. At present, wind power prediction methods mainly include time series method, BP neural network method and support vector machine. However, the time series method is difficult to determine the order, the BP neural network has the weight selection problem, and the support vector machine has the problem of parameter setting. In this paper, according to the actual situation and forecast demand of different wind farms, the improved artificial bee colony combined with three different methods is used to predict the wind power within 0-4 hours by the network method. The results show that, This method is suitable for cases with abundant historical data and high prediction accuracy. Finally, aiming at the problem that BP neural network needs large amount of data, easy to fall into local optimum and slow learning speed, the improved support vector machine method of artificial bee colony is applied to wind power prediction. The prediction accuracy is high and the complicated learning process of other learning algorithms is avoided. It has been proved that the algorithm is suitable for the situation where the data sample is small and the prediction accuracy is high. In order to meet the requirements of the State Grid for the development of decentralized wind power grid and wind farm, a decentralized wind power prediction software is also developed in this paper. The software is based on VB.net language, and it mainly depends on the dynamic link library file of MATLAB when dealing with complex computing process, and it can realize wind power prediction function in the future based on real-time numerical weather forecast and historical wind resource data. In addition, the software can also provide real-time monitoring and early warning function according to the data provided by scheduling. Finally, the software is used to verify and compare the algorithms mentioned in this paper. The results show that these algorithms are applicable and irreplaceable.
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TM614;TP18

【相似文獻】

相關(guān)期刊論文 前10條

1 程渭呂;通信及信號處理用的新算法[J];上海航天;1985年01期

2 郭福順 ,高鐵軍;抽象數(shù)據(jù)型與一類表達式的化簡[J];哈爾濱工業(yè)大學(xué)學(xué)報;1985年A3期

3 劉鋒;李屹;李麗娟;;一種改進的人工蜂群算法及其在桁架幾何優(yōu)化設(shè)計中的應(yīng)用研究[J];工程設(shè)計學(xué)報;2013年06期

4 焦健;瞿有利;;知網(wǎng)的話題更新與跟蹤算法研究[J];北京交通大學(xué)學(xué)報;2009年05期

5 牛連強;薛瑾;朱天翔;;快速繪制圓弧的行程算法[J];沈陽工業(yè)大學(xué)學(xué)報;2010年04期

6 劉彬;吳嗣亮;姜萬錄;;FFT算法中求P值的一般方法[J];東北重型機械學(xué)院學(xué)報;1986年04期

7 左幸;陶衛(wèi)國;馬光文;;三角旋回算法及其在短期水火協(xié)調(diào)優(yōu)化中的應(yīng)用[J];華東電力;2007年10期

8 劉彬,張立杰,張春杰;一種改進的FFT算法[J];東北重型機械學(xué)院學(xué)報;1997年04期

9 穆世強;;一種改進的LMS算法及自適應(yīng)高分辨陣列測向[J];電子對抗技術(shù);1992年03期

10 高波;田東;胡亮;傅澤田;;Free Search——一種新的進化算法[J];儀器儀表學(xué)報;2006年S1期

相關(guān)會議論文 前9條

1 劉明蘭;王玲t(yī) ;曾春年;鐘紹華;張俊;;雙模自組織Fuzzy-Dahlin算法研究[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 胡海清;;序列最小優(yōu)化及其改進算法[A];第十屆中國科協(xié)年會信息化與社會發(fā)展學(xué)術(shù)討論會分會場論文集[C];2008年

3 王春厚;許都;孫健;;一種降低誤判率的BF快速匹配算法結(jié)構(gòu)[A];2010年全國通信安全學(xué)術(shù)會議論文集[C];2010年

4 桑紅燕;潘全科;任立群;;解決單機準時排序問題的差異進化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

5 周川;張璐;陳慶偉;;基于神經(jīng)網(wǎng)絡(luò)PID的智能AQM新算法[A];第二十七屆中國控制會議論文集[C];2008年

6 陳小林;趙建;王延杰;;多模實時跟蹤算法研究[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

7 傅薈璇;王宇超;孫楓;;融合Kalman濾波的自適應(yīng)帶寬Mean Shift算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

8 羌磊;肖田元;宋士吉;;多種群模式協(xié)同搜索貝葉斯優(yōu)化算法[A];第25屆中國控制會議論文集（中冊）[C];2006年

9 阮秀凱;張志涌;;一種基于支持向量回歸的盲恢復(fù)新算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

相關(guān)博士學(xué)位論文 前9條

1 陳貴濤;基于CMAES雜交算法的鋼筋混凝土框架結(jié)構(gòu)優(yōu)化設(shè)計研究[D];華南理工大學(xué);2014年

2 杜新鵬;聯(lián)合稀疏恢復(fù)新型算法及其應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2013年

3 李向濤;進化算法研究及其在化學(xué)信息學(xué)中的應(yīng)用[D];東北師范大學(xué);2015年

4 許偉;基于進化算法的復(fù)雜化工過程智能建模方法及其應(yīng)用[D];華東理工大學(xué);2011年

5 鄭友蓮;面向模糊車間調(diào)度問題的智能算法研究[D];武漢大學(xué);2011年

6 高健;分布式環(huán)境的同順序流水作業(yè)問題求解算法研究[D];大連海事大學(xué);2013年

7 畢云龍;自適應(yīng)聲學(xué)回聲抑制算法研究及其VLSI芯片設(shè)計[D];哈爾濱工業(yè)大學(xué);2010年

8 趙立權(quán);ICA算法及其在陣列信號處理中的應(yīng)用研究[D];哈爾濱工程大學(xué);2009年

9 鄒德旋;啟發(fā)式算法及其在工程優(yōu)化中的應(yīng)用[D];東北大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 和夢思;粒子群進化算法的改進及應(yīng)用[D];深圳大學(xué);2015年

2 錢誠;快速超分辨波達方向估計算法研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王金明;基于AES和LSB算法的信息隱藏模塊研究與設(shè)計[D];貴州大學(xué);2015年

4 許崢;自適應(yīng)PID算法在減水劑生產(chǎn)控制中的研究與實現(xiàn)[D];北京工業(yè)大學(xué);2015年

5 賈寧寧;復(fù)雜網(wǎng)絡(luò)中社團發(fā)現(xiàn)算法研究及應(yīng)用[D];石家莊鐵道大學(xué);2015年

6 龐德艷;非光滑方程的算法及其應(yīng)用[D];青島大學(xué);2015年

7 李倩;基于膜計算的黑洞聚類算法研究[D];西華大學(xué);2015年

8 劉建;無線傳感器網(wǎng)絡(luò)鏈式路由算法[D];廣西師范大學(xué);2015年

9 楊葛;基于本體的程序代碼資源算法結(jié)構(gòu)關(guān)聯(lián)研究[D];東華大學(xué);2013年

10 褚夫飛;基于改進人工蜂群算法的分散式風(fēng)功率預(yù)測方法研究[D];東北大學(xué);2014年

，

本文編號：2287987