【摘要】：隨著能源與環(huán)境問(wèn)題的逐漸突出,對(duì)可再生能源的研究和利用成為全社會(huì)廣泛關(guān)注的熱點(diǎn)問(wèn)題。而風(fēng)力發(fā)電作為安全可靠、無(wú)污染、不需消耗燃料、可并網(wǎng)運(yùn)行的重要可再生能源之一,近年來(lái)在世界范圍內(nèi)得到了突飛猛進(jìn)的發(fā)展。準(zhǔn)確的風(fēng)電功率預(yù)測(cè)有利于解決風(fēng)電輸出功率控制、電網(wǎng)安全經(jīng)濟(jì)調(diào)度以及電力市場(chǎng)環(huán)境下風(fēng)電競(jìng)價(jià)交易等問(wèn)題。但是風(fēng)電功率具有較強(qiáng)的不確定性和非平穩(wěn)性,其精確預(yù)測(cè)仍需深入研究。本文從風(fēng)電場(chǎng)短期風(fēng)電功率預(yù)測(cè)入手,研究提高短期預(yù)測(cè)精度。為了克服風(fēng)電功率序列的非平穩(wěn)性,本文研究了前置處理方法,并提出基于ADF檢驗(yàn)的最佳小波分解。為了更好預(yù)測(cè)高頻分量,本文建立基于二階灰色神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型。本文提出用馬爾可夫鏈模型來(lái)研究預(yù)測(cè)誤差轉(zhuǎn)移情況,從而實(shí)現(xiàn)風(fēng)電功率區(qū)間預(yù)測(cè),克服不確定性。本文主要開(kāi)展了以下內(nèi)容的研究工作:(1)本文首先詳細(xì)介紹了研究的背景和意義,國(guó)內(nèi)外研究現(xiàn)狀等。結(jié)合目前已有的研究成果,明確本文的研究?jī)?nèi)容。(2)本文介紹了小波變換的概念以及基本原理。基于單位根檢驗(yàn)中的ADF檢驗(yàn),研究小波分解后各個(gè)分量平穩(wěn)性的檢驗(yàn)指標(biāo),并以此為依據(jù)選取最佳小波分解層數(shù)。(3)針對(duì)小波分解后高頻分量波動(dòng)性大的特點(diǎn),本文基于灰色系統(tǒng)理論,提出對(duì)小波分解后的各分量進(jìn)行二階灰色預(yù)測(cè)模型建模。為了獲得二階灰色預(yù)測(cè)模型的最佳參數(shù),本文采用神經(jīng)網(wǎng)絡(luò)映射方法構(gòu)建二階灰色神經(jīng)網(wǎng)絡(luò),并以最小二乘估計(jì)求解灰色模型參數(shù)初值,用于求解二階灰色模型最優(yōu)參數(shù)。采用該方法對(duì)實(shí)際風(fēng)電場(chǎng)數(shù)據(jù)仿真分析驗(yàn)證了模型的有效性。(4)為了應(yīng)對(duì)風(fēng)電功率的不確定性,更加全面地反映風(fēng)電功率的信息,本文提出了基于小波二階灰色神經(jīng)網(wǎng)絡(luò)-馬爾可夫鏈的超短期風(fēng)電功率區(qū)間預(yù)測(cè)方法。在小波二階灰色神經(jīng)網(wǎng)絡(luò)改善風(fēng)電功率確定性預(yù)測(cè)精度的基礎(chǔ)上,首先采用K-均值法解決馬爾可夫狀態(tài)劃分問(wèn)題,再通過(guò)馬爾可夫鏈確定預(yù)測(cè)誤差絕對(duì)值的轉(zhuǎn)移特性。提出基于預(yù)測(cè)誤差絕對(duì)值馬爾可夫概率期望的風(fēng)電功率區(qū)間預(yù)測(cè)模型。算例結(jié)果表明,本文提出的風(fēng)電功率區(qū)間預(yù)測(cè)方法有較好的預(yù)測(cè)效果。(5)最后對(duì)本文的研究工作進(jìn)行了總結(jié)分析,并在此基礎(chǔ)上提出研究展望。
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TM614
【圖文】：

全球風(fēng)能理事會(huì)發(fā)布 2017 年全球風(fēng)電發(fā)展統(tǒng)計(jì)數(shù)據(jù)：2017 年全球風(fēng)電市場(chǎng)新增容量超過(guò) 52.57GW，全球累計(jì)容量達(dá)到 539.58GW。2017 年中國(guó)風(fēng)力發(fā)電新增容量 19.50GW，占全世界 2017 年風(fēng)力發(fā)電總新增容量的 37%，2017 年中國(guó)風(fēng)力發(fā)電累計(jì)容量 188.19GW，占全世界風(fēng)力發(fā)電總累計(jì)容量的 34.87%[2]。2017年全球風(fēng)電統(tǒng)計(jì)數(shù)據(jù)圖表如圖 1-1 至圖 1-4 所示。

圖 1-2 全球風(fēng)力發(fā)電累計(jì)裝機(jī)容量Fig. 1-2 The global wind power installed capacity per year

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊錫運(yùn);關(guān)文淵;劉玉奇;肖運(yùn)啟;;基于粒子群優(yōu)化的核極限學(xué)習(xí)機(jī)模型的風(fēng)電功率區(qū)間預(yù)測(cè)方法[J];中國(guó)電機(jī)工程學(xué)報(bào);2015年S1期

2 陳偉;郭建鵬;裴喜平;李恒杰;張萍;肖駿;;風(fēng)電場(chǎng)短期風(fēng)速變化區(qū)間與變化趨勢(shì)預(yù)測(cè)算法[J];電力系統(tǒng)及其自動(dòng)化學(xué)報(bào);2015年09期

3 劉申;褚曉東;張文;;基于氣象測(cè)量場(chǎng)的爬坡時(shí)段區(qū)域風(fēng)功率預(yù)測(cè)[J];電力系統(tǒng)自動(dòng)化;2015年16期

4 江岳春;張丙江;邢方方;張雨;王志剛;;基于混沌時(shí)間序列GA-VNN模型的超短期風(fēng)功率多步預(yù)測(cè)[J];電網(wǎng)技術(shù);2015年08期

5 王輝;劉達(dá);王繼龍;;基于譜聚類和優(yōu)化極端學(xué)習(xí)機(jī)的超短期風(fēng)速預(yù)測(cè)[J];電網(wǎng)技術(shù);2015年05期

6 孫佳;王淳;胡蕾;;基于改進(jìn)灰色模型與BP神經(jīng)網(wǎng)絡(luò)模型組合的風(fēng)力發(fā)電量預(yù)測(cè)研究[J];水電能源科學(xué);2015年04期

7 劉興杰;岑添云;鄭文書(shū);米增強(qiáng);;基于模糊粗糙集與改進(jìn)聚類的神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2014年19期

8 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

9 王東風(fēng);王富強(qiáng);牛成林;;小波分解層數(shù)及其組合分量對(duì)短期風(fēng)速多步預(yù)測(cè)的影響分析[J];電力系統(tǒng)保護(hù)與控制;2014年08期

10 郭鈺鋒;孫

本文編號(hào)：2721233