风电功率预测问题[精选].doc

  1. 1、本文档共21页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
风电功率预测问题[精选]

风电功率预测问题 摘 要 本文研究了风电功率预测的问题。 问题1中,首先通过聚类分析选出与预测日相似度最大的历史日数据,将它们作为建模预测用的新训练样本,然后分别建立基于ARMA的卡尔曼滤波模型、GARCH模型、固定权系数组合模型对风电功率进行预测,检验均通过。与单一预测模型相比,固定权系数组合模型实现了前两种模型的优缺点互补,并降低了预测后滞效应,功率预测曲线平均准确率为90.75%,平均合格率为98.09%,均高于前两种模型,预测效果比较理想。 问题2中,通过比较单台与多机风电机组功率预测的相对误差,除PA误差偏大之外,其它多机风电功率预测误差均稍大于单台功率预测误差,单台风电机组功率预测的相对误差之间相差不大。分析得出,风电机组汇聚会改变电功率波动的属性,使预测误差偏大。 平均误差 PA PB PC PD P4 P58 模型一 20.24% 13.17% 13.08% 15.25% 15.97% 17.63% 模型二 15.62% 14.77% 14.08% 16.13% 16.57% 19.07% 模型三 11.78% 10.06% 10.66% 9.35% 11.57% 13.07% 问题3中,为了进一步提高风电功率实时预测精度,以前三种模型的预测值作为输入层,以当前预测点功率实际值作为输出层,建立了基于神经网络的变权组合预测模型。预测曲线平均准确率达到93.26%,平均合格率达到100%,平均相对误差率为9.26%,从预测曲线看出,变权组合模型基本消除了预测滞后效应,预测效果更为理想。 通过风电机组输出功率与各物理量关系:,推导分析得到影响风电功率实时预测精度的主要因素为气温、气压、湿度、风速。鉴于风能发电本身的复杂性和不确定性,无限提高风电功率预测精度将受到一定限制。 关键词: 卡尔曼滤波 ARMA GARCH 固定权系数组合 变权系数组合 BP神经网络 1问题重述 1.1背景资料与条件1.2需要解决的问题1、风电功率为负值时,风电机组输出功率为零。 2、多机组容量为单机组容量之和。 3、所有机组在同一地区,即所处环境条件相同。 3.主要符号说明 主要符号 符号意义 欧氏距离 扰动项 单一预测模型的权重 第个单一模型对第期的预测值 组合的预测值。 4.问题的分析及建模流程图 4.1初步分析 本文研究的是风电功率预测问题,要解决的问题是如何建立及深化模型,以较高的精度,对风电功率进行预测。其中如何提高模型的精度与实用性,是需要解决的核心问题。 4.2具体分析 问题一:历史数据的选取对模型预测精度的影响较大,在建立预测模型之前,首先需要选取适当的历史数据,可以考虑通过聚类分析选出与预测日相似度最大的历史日数据作为建模预测用的新训练样本,使历史数据的选取更加科学。风电功率预测模型可分为两大类:一类是统计模型,一类是物理模型。针对本问,建立统计模型进行预测,有两种方法可以实现,一是建立单一的预测模型如时间序列模型,卡尔曼滤波模型等,二是建立组合预测模型。为了提高模型的精度与实用性,可以建立多个单一的预测模型继而进行加权组合。 问题二:分析风电机组的汇聚对于预测结果误差的影响,需要比较单台与多机风电机组功率预测的相对误差,根据普遍规律,对风电机组汇聚给风电功率预测误差带来的影响做出预期。 问题三:为了进一步提高风电功率实时预测精度,从预测方法角度考虑,需要对问题一中的模型进行改进。由于风电功率预测受很多因素影响,分析主要影响因素时,需要进行理论分析,并从有哪些信誉好的足球投注网站到的大量文献中分析风电功率预测精度无限提高的可行性。 4.3流程图 5.模型的建立与求解 问题一 5.1历史数据的选取 通过聚类分析对历史数据进行选取,采用欧氏距离作为相似性度量的方法。选取30日之前的时间作为历史日,采用日平均风电功率和日最大风电功率作为预测日的风电功率下的指标。按照相似度最大的原则,选出与预测日相似度最大的历史日数据,然后将它们作为建模预测用的新训练样本。 其中,、分别表示历史数据与预测数据在第k个指标下的值。 针对分别从预测日之前的历史日中选取欧氏距离最短的2个历史日,作为训练样本,经计算得到历史日如表1所示。 表1历史日数据选择表 时间 5月31日 6月1日 6月2日 6月3日 6月4日 6月5日 6月6日 21、29日 26、31日 11、16日 26、31日 10、28日 13、17日 26、31日 21、25日 26、31日 11、16日 26、31日 10、28日 17、30日 26、31日 21、25日 21、26日 11、26日 21、31日 10、28日 13、18

文档评论(0)

jsntrgzxy + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档