基于虚拟预测与小波包变换的风电功率组合预测

被引:19
作者
孟安波
陈育成
机构
[1] 广东工业大学
关键词
风电功率; 虚拟预测; 小波包变换; 方差倒数法; 组合预测;
D O I
暂无
中图分类号
TM614 [风能发电];
学科分类号
0807 ;
摘要
为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。
引用
收藏
页码:71 / 76
页数:6
相关论文
共 12 条
[1]  
支持向量机.[M].邓乃扬; 田英杰; 著.科学出版社.2009,
[2]   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
[3]   基于经验模式分解和神经网络的短期风速组合预测 [J].
王韶 ;
杨江平 ;
李逢兵 ;
刘庭磊 .
电力系统保护与控制, 2012, 40 (10) :6-11+18
[4]   基于小波分解和微分进化支持向量机的风电场风速预测 [J].
彭春华 ;
刘刚 ;
孙惠娟 .
电力自动化设备, 2012, 32 (01) :9-13
[5]   基于遗传优化的最小二乘支持向量机风电场风速短期预测 [J].
杨洪 ;
古世甫 ;
崔明东 ;
孙禹 .
电力系统保护与控制, 2011, 39 (11) :44-48+61
[6]   基于小波包和支持向量回归的风速预测 [J].
陈盼 ;
陈皓勇 ;
叶荣 ;
陈天恩 ;
李丹 .
电网技术, 2011, 35 (05) :177-182
[7]   基于神经网络的光伏阵列发电预测模型的设计 [J].
陈昌松 ;
段善旭 ;
殷进军 .
电工技术学报, 2009, 24 (09) :153-158
[8]   基于组合预测的风电场风速及风电机功率预测 [J].
张国强 ;
张伯明 .
电力系统自动化, 2009, 33 (18) :92-95+109
[9]   基于灰关联分段优选组合模型的短期电力负荷预测研究 [J].
张志明 ;
金敏 .
电工技术学报, 2009, 24 (06) :115-120
[10]   小时风速的向量自回归模型及应用 [J].
孙春顺 ;
王耀南 ;
李欣然 .
中国电机工程学报, 2008, (14) :112-117