風電功率預測對當前風電并網(wǎng)及智能電網(wǎng)的建設、規(guī)劃及生產(chǎn)調(diào)度都至關重要。精準且有效的風電功率預測是發(fā)展能源互聯(lián)網(wǎng)的必然要求。現(xiàn)今生活中,風電場的開機規(guī)劃及供給量判斷不僅要考慮季節(jié)節(jié)點及運載負荷,更要應用精確量化的風電功率預測以合理分配清潔電力供給,保證能源網(wǎng)絡的平穩(wěn)運行。風電功率的有效預測,關鍵在于處理風能的復雜影響因素與波動性、間歇性等特征。在能源互聯(lián)網(wǎng)環(huán)境下,能夠消除不確定性的風能概率預測方法更具實際價值。為有效降低風電功率預測中的復雜度和不確定性,持續(xù)改善風能發(fā)電功率的預測精度,優(yōu)化預測成本。本文根據(jù)風能數(shù)據(jù)序列特征,提出了基于EMD與自助分位數(shù)回歸的概率密度預測方法和一種結合誤差修正模型的自助分位數(shù)回歸概率密度預測方法。所構建模型首先運用經(jīng)驗模態(tài)分解（EMD）方法進行數(shù)據(jù)預處理以有效提取數(shù)據(jù)關鍵信息,其次將自助法（Bootstrap）、分位數(shù)回歸（QR）方法與誤差修正（EC）相結合,提出了考慮誤差修正的自助分位數(shù)回歸模型,最終以核密度估計方法來優(yōu)化模型的預測性能,并完成風能源概率密度預測實驗研究。結果表明,模型既給出了高精度的未來時刻預測值及其區(qū)間范圍,而且獲得了未來風電完整的概... 

【文章來源】：合肥工業(yè)大學安徽省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

安大略冬季風電功率時間序列圖

合肥工業(yè)大學碩士學位論文23圖3.2安大略冬季風電功率時間序列圖Fig3.2TimeseriesdiagramofwindpowerinOntarioinwinter本案例中，安大略地區(qū)的氣象狀況受季節(jié)變遷的影響較大，因而其當?shù)厮占娘L電場輸出數(shù)據(jù)常表現(xiàn)為不同的波動特征，具體在此表現(xiàn)即：冬季與夏季的歷史序列表現(xiàn)出不同的走勢，但無論哪個季節(jié)的風電功率數(shù)據(jù)序列都具有強波動性特征，十分影響風電預測的研究。圖3.3安大略夏季風電功率時間序列圖Fig3.3TimeseriesdiagramofwindpowerinOntarioinsummer本案例第一個實驗方案選擇加拿大安大略地區(qū)2019年度一月份風電輸出功率數(shù)據(jù)作為研究地區(qū)冬季數(shù)據(jù)特征的代表。具體介紹為，截取2019年1月1日至2019年1月21日時間段，在安大略省地區(qū)收集到的風電數(shù)據(jù)作為訓練集數(shù)據(jù)，并選擇2019年1月22日至1月28日連續(xù)時間段的數(shù)據(jù)作為測試數(shù)據(jù)。將所有選定的風能數(shù)據(jù)進行統(tǒng)一歸一化，并將數(shù)據(jù)轉換為[0,1]。

第三章基于EMD與自助分位數(shù)回歸的風電功率概率密度預測24第二個實驗方案即另一組2019年度八月份的風電輸出功率數(shù)據(jù)作為安大略地區(qū)夏季風能數(shù)據(jù)特征體現(xiàn)的代表。選擇截取2019年8月1日至2019年8月21日時間段上的共504個風電輸出記錄值為模型訓練集數(shù)據(jù)，截取2019年8月22日至2019年8月28日時間段之間的共168個風電記錄值為測試集數(shù)據(jù)。圖3.2顯示了冬季1月份前28天的風電功率數(shù)據(jù)時間序列圖。圖3.3顯示了夏季8月份前28天的風電功率數(shù)據(jù)時間序列圖。圖3.2與圖3.3中，橫軸均為時間軸，縱軸為相應的風電功率量級軸。如圖3.2所示，風電數(shù)據(jù)波動范圍大，進行平穩(wěn)性測試時，它顯示為非平穩(wěn)系列。而圖3.3則顯示，風電數(shù)據(jù)波動范圍雖大，但進行平穩(wěn)性測試時，它顯示為平穩(wěn)系列，這說明風電序列復雜多變，其平穩(wěn)性可由選取時間長度的不同而改變，但其強波動性始終存在。圖一-4圖3.4安大略冬季風電功率序列EMD分量圖Fig3.4EMDcomponentdiagramofOntariowinterwindpowersequence

【參考文獻】：
期刊論文
[1]基于卡爾曼濾波修正的多步風電功率預測[J]. 鄭培,于立軍,侯勝亞,王春平.  熱能動力工程. 2020(04)
[2]風電功率物理預測模型引入誤差量化分析方法[J]. 牛東曉,紀會爭.  電力系統(tǒng)自動化. 2020(08)
[3]基于回歸支持向量機的風功率預測誤差分析[J]. 羅珂珂.  技術與市場. 2020(04)
[4]風電功率波動平抑下儲能出力與平滑能力的動態(tài)優(yōu)化控制策略[J]. 侯力楓.  熱力發(fā)電. 2020(08)
[5]基于樸素貝葉斯的風電功率組合概率區(qū)間預測[J]. 楊錫運,張艷峰,葉天澤,蘇杰.  高電壓技術. 2020(03)
[6]電力市場環(huán)境下能源互聯(lián)網(wǎng)發(fā)展現(xiàn)狀與展望[J]. 王明富,吳華華,楊林華,喬松博,惠恒宇,楊陽,丁一.  電力需求側管理. 2020(02)
[7]對風電并網(wǎng)系統(tǒng)靜態(tài)電壓穩(wěn)定性的分析及優(yōu)化[J]. 劉蕾,王卓群,馬平.  電氣自動化. 2020(02)
[8]可再生能源發(fā)電對實時電價的影響分析——德國電力現(xiàn)貨市場的數(shù)據(jù)實證[J]. 劉定,趙德福,白木仁,王其清,李存斌.  電力系統(tǒng)自動化. 2020(04)
[9]基于IEEMD與LS-SVM組合的短期風電功率多步預測方法[J]. 張鑫磊,李根.  電測與儀表. 2020(06)
[10]考慮風電波動不確定性的兩階段魯棒優(yōu)化分頻調(diào)度方法[J]. 包廣清,周家武,馬明,汪寧渤.  電網(wǎng)技術. 2020(12)

博士論文
[1]元啟發(fā)式優(yōu)化算法研究與應用[D]. 董如意.吉林大學 2019
[2]相依誤差下部分線性模型的經(jīng)驗似然統(tǒng)計推斷[D]. 于卓熙.吉林大學 2010

碩士論文
[1]基于復數(shù)據(jù)經(jīng)驗模態(tài)分解和隨機森林理論的風電機組多域特征故障診斷研究[D]. 馬富齊.西安理工大學 2019
[2]基于大數(shù)據(jù)分析與LASSO分位數(shù)回歸的電力負荷概率密度預測方法[D]. 秦楊.合肥工業(yè)大學 2019
[3]改進的自適應布谷鳥搜索算法及其應用研究[D]. MURWANASHYAKA Christian.蘭州理工大學 2018
[4]基于數(shù)據(jù)挖掘與非線性分位數(shù)回歸的風電功率概率密度預測方法[D]. 李海燕.合肥工業(yè)大學 2018
[5]中國風電企業(yè)競爭力評價研究[D]. 張嚴.華北電力大學(北京) 2018
[6]基于核主元分析的風電機組變槳距系統(tǒng)故障診斷研究[D]. 李賀.沈陽工業(yè)大學 2017
[7]風電場超短期風電功率多步預測及可預測性研究[D]. 董駿城.東北電力大學 2017
[8]風電場風電功率概率預測研究[D]. 胡漢.東南大學 2016
[9]基于云計算和智能算法的風電功率預測方法研究[D]. 陳朋.華北電力大學 2016
[10]中國風能資源的地理分布及風電開發(fā)利用初步評價[D]. 蘭忠成.蘭州大學 2015



本文編號：3263772