一种短期风电功率集成预测方法

被引：17

作者：

张颖超 ^{[1
,2
]}

郭晓杰 ^{[1
]}

叶小岭 ^{[1
,2
]}

邓华 ^{[1
,2
]}

机构：

[1] 南京信息工程大学信息与控制学院

[2] 南京信息工程大学气象灾害预报预警与评估协同创新中心

来源：

电力系统保护与控制 | 2016年 / 44卷 / 07期

关键词：

短期风电功率预测; 集成预测方法; Gaussian模型; LSSVM; Weibull;

D O I：

暂无

中图分类号：

TM614 [风能发电];

学科分类号：

0807 ;

摘要：

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。

引用

页码：90 / 95

页数：6

共 12 条

[1] 基于EEMD-LSSVM的超短期负荷预测 [J].

王新 ;

孟玲玲 .

电力系统保护与控制, 2015, 43 (01) :61-66

[2] 基于改进的小波-BP神经网络的风速和风电功率预测 [J].

肖迁 ;

李文华 ;

李志刚 ;

刘金龙 ;

刘会巧 .

电力系统保护与控制, 2014, 42 (15) :80-86

[3] 运用PSO-LSSVM模型的城市供电可靠性预测 [J].

董红 ;

石连生 ;

赵鹏程 ;

严俊 .

电力系统及其自动化学报, 2014, 26 (07) :82-86

[4] 基于集合经验模态分解和改进极限学习机的短期风速组合预测研究 [J].

张翌晖 ;

王贺 ;

胡志坚 ;

王凯 ;

黄东山 ;

宁文辉 ;

张承学 .

电力系统保护与控制, 2014, 42 (10) :29-34

[5] 基于主成分分析的神经网络动态集成风功率超短期预测 [J].

何东 ;

刘瑞叶 .

电力系统保护与控制, 2013, 41 (04) :50-54

[6] 基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测 [J].

陈道君 ;

龚庆武 ;

金朝意 ;

张静 ;

王定美 .

电网技术, 2013, 37 (04) :974-980

[7] 基于多状态空间混合Markov链的风电功率概率预测 [J].

周封 ;

金丽斯 ;

刘健 ;

张再利 .

电力系统自动化, 2012, 36 (06) :29-33+84

[8] 基于RBF神经元网络的风电功率短期预测 [J].

武小梅 ;

白银明 ;

文福拴 .

电力系统保护与控制, 2011, 39 (15) :80-83

[9] 短期风电功率预测误差综合评价方法 [J].

徐曼 ;

乔颖 ;

鲁宗相 .

电力系统自动化, 2011, 35 (12) :20-26

[10]

Current status and future advances for wind speed and power forecasting[J] . Jaesung Jung,Robert P. Broadwater.Renewable and Sustainable Energy Reviews . 2014

← 1 2 →