风电功率组合预测模型的研究

随着风力发电技术的不断发展,风电在电网中所占比例越来越大。风电场穿透功率的不断加大,威胁着电力系统安全、稳定、经济、可靠运行。对风电功率进行准确预测可以减少电力系统运行成本和旋转备用,提高风电穿透功率极限,有利于调度部门及时调整计划,从而减轻风电对电网的影响。论文进行了两种不同形式组合模型的研究,即横向组合模型和纵向组合模型,其中横向组合模型包括基于不同优化准则的模型和基于诱导有序加权调和平均算子的模型。论文建立了基于不同优化准则的横向组合模型:通过计算单项预测方法的贴近度对单项预测模型进行择优,有效解决了单项预测模型的选择问题;将建立的3种不同优化准则的组合模型进行组合,得到兼顾不同优化准则的优化模型,有效地克服了根据某一优化准则建立的组合模型不能改进其它评价指标的问题。经实际算例检验,结果表明优化模型的各项预测评价指标都较好,能有效提高风电功率预测精度。将最大—最小贴近度和诱导有序加权调和平均算子(IOWHA)相结合,建立了另一横向组合模型,即IOWHA组合模型,它能根据各单项预测方法在每时刻的预测精度高低顺序赋值,克服了传统组合模型的缺陷;采用单项预测模型建立的多个组合模型中预测精度较高者作为标准,计算各单项模型的诱导值(预测精度),可以解决预测期实际值未知,诱导值排序无法提前预知的问题。仿真结果表明,IOWHA组合模型能很好的反映风电功率时间序列的变化趋势,具有较高的预测精度。研究了风电功率多步预测方法。基于对横向组合模型思路的改进,建立了基于小波分解和相空间重构的风电功率纵向组合模型:根据小波分解的各分量的变化特征,将它们分为低频分量和高频分量;依据各频带分量的特性选择了恰当的预测方法,低频分量采用相空间重构的RBF神经网络法,高频分量采用滚动时间序列法;叠加各子序列的预测结果得到最终的风电功率预测值。该纵向组合模型结合了RBF神经网络强大的泛化能力和全局逼近能力以及滚动时间序列法能根据数据的变化实时更新模型的优点。经算例分析表明,该方法具有较好的多步预测能力,能实现较高精度的多步预测。