風(fēng)力發(fā)電場(chǎng)風(fēng)速預(yù)測(cè)方法研究.pdf

1、全球不可再生能源短缺，風(fēng)能作為一種環(huán)境友好型能源，成為替代化石能源的重要選擇。但風(fēng)具有間歇性、波動(dòng)性、隨機(jī)性等特點(diǎn)。風(fēng)力發(fā)電給電力系統(tǒng)的穩(wěn)定性帶來了一定的挑戰(zhàn)。而對(duì)風(fēng)場(chǎng)的風(fēng)功率進(jìn)行預(yù)測(cè)是解決這一問題的重要途徑。風(fēng)速預(yù)測(cè)是風(fēng)功率預(yù)測(cè)的重要組成部分。在此背景下，本文針對(duì)風(fēng)場(chǎng)的短期風(fēng)速預(yù)測(cè)，重點(diǎn)完成以下幾方面的工作：
　　分別建立BP神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)（SVM）預(yù)測(cè)模型，并對(duì)風(fēng)場(chǎng)的風(fēng)速進(jìn)行預(yù)測(cè)，然后對(duì)各方法的預(yù)測(cè)結(jié)果進(jìn)

2、行誤差分析。實(shí)測(cè)風(fēng)速數(shù)據(jù)分析表明：SVM與其他兩種方法相比具有更高的預(yù)測(cè)精度。因此本文將SVM作為組合模型的基礎(chǔ)方法。
　　針對(duì)風(fēng)速時(shí)間序列的非平穩(wěn)性特性，提出了一種組合模型對(duì)風(fēng)速進(jìn)行預(yù)測(cè)。該方法首先采用EEMD將風(fēng)速時(shí)間序列分解為一組具有不同頻率成分的分量；然后將樣本熵值接近的各分量疊加，最后用SVM對(duì)重構(gòu)后的序列分別預(yù)測(cè)并將各項(xiàng)的預(yù)測(cè)結(jié)果相疊加。實(shí)測(cè)數(shù)據(jù)分析表明，組合模型相對(duì)于SVM方法和EEMD-SVM預(yù)測(cè)方法具有更好的預(yù)測(cè)