基于时间序列的预测是人类日常生活中随时随地都可能遇到的普遍性问题之一。国内外已经有大量的研究针对各类时间序列预测问题,如股市走向、交通流量、天气预报等。另一方面,随着全球人口的大幅增长以及经济的快速发展,世界范围内的不可再生能源逐渐变得枯竭。全球性的能源危机问题使得人类开始探索和研究包括风能、太阳能、潮汐能在内的各种可再生能源。其中,风能因为其具有资源富足、分布广阔、绿色无污染等显著优点已经成为了可再生能源研究的重要发展方向之一。风能是一种具有间歇性和随机性特点的能源,盲目地将波动性强烈的风能并入电网内会给电力系统运行的质量和安全带来严重的冲击。因此,准确预测风电场风速和风电功率对电网制定合理的调度计划以及降低运营风险和成本都有着举足轻重的实践意义。
目前,围绕风电场风速和风电功率短期预测模型的应用研究主要包括两个方面：是不断提高短期预测模型的精度,风速短期预测的精度现在可以达到10%左右,而风电功率的短期预测精度仅仅只在15%-20%之间；二是使组合预测模型中每个单项预测算法的优势得到充分的发挥,使模型的预测性能得到进一步的提升。
论文以湖北省某风电场的风速和风电功率实测数据作为研究对象,针对风速和风电功率时间序列的短期预测问题,分别从数据预处理、单项预测算法和组合预测算法三个方面对提前30分钟和提前1小时预测风速和风电功率的建模方法进行了详细的分析和比较。
针对非线性、非平稳性的风速和风电功率时间序列,论文首先深入研究了时间序列数据的预处理方法,重点阐述了小波分解算法和经验模态分解算法的原理和步骤,从实际应用的角度对比了小波分解和经验模态分解的结果,为建立基于统计学理论的风速和风电功率短期预测模型提供了细节更丰富的数据。
围绕时间序列单项预测算法在风电场实测数据上的实际应用问题,论文分别研究了支持向量回归、小波神经网络和灰色预测系统的理论基础,详细探讨了三种单项预测算法应用于时间序列短期预测时的建模方法。在支持向量回归模型的参数选择方面,引入网格寻优算法和粒子群寻优算法,建立了两种基于支持向量回归的时间序列短期预测模型。在小波神经网络预测模型的应用方面,论文深入研究了模型的学习算法,将遗传算法作为学习算法建立了小波神经网络预测模型,根据模型在实测数据上的应用结果显示,遗传算法的学习效果稍好于传统的梯度下降法。基于灰色系统理论,论文重点研究了灰色GM(1,1)预测模型在实际应用中对初始数据以及背景值计算方法两方面的改进问题。将传统与改进的GM(1,1)预测模型分别应用于实测数据中,对比和分析了GM(1,1)预测算法的性能以及适用范围。
为了提高预测模型的精度以及稳定性,论文分别引入了两种不同的模型组合思路。基于上述三种单项预测算法,提出了“熵”理论和误差平方和最小理论的权值组合预测模型,基于小波分解和经验模态分解算法,提出了两种针对分解向量特征的组合预测模型。通过算例分析,对比和总结了四种组合预测模型的预测性能及其特点。结果显示,组合预测模型的预测结果不会出现单项预测模型的迟滞现象,针对分解向量细节特征的组合预测模型比权值组合预测模型的精度更高。
