风电场风速及风电机组发电量的短期预报方法研究

摘要

风电场风速及风电机组发电量的短期预测已经成为国内外共同关注的问题。风电场风速和发电量的较准确预测,可以调整调度计划,有效减轻风电对整个电网的不利影响等。目前用于风速短期预测的方法主要有数值天气预报和直接统计方法。
　　本文首先采用2006年3月到2007年2月张北某风电场的十分钟平均风速测量数据进行了风电场的风特性分析,介绍了几种常用风模型;然后采用基于统计方法的时间序列法和人工神经网络法对风电场的风速进行短期预测。同时,本文分别针对BP神经网络的收敛速度慢、易于陷入局部极小值等缺陷,采用带动量项的BP算法来加快收敛速度，采用遗传算法来优化BP神经网络的结构和初始权重，并采用优化后的遗传神经网络进行风速短期预测，结果表明，遗传神经网络的预测效果优于时间序列法。最后利用风电机组发电量与风速之间的关系，根据预测得到的风速来预测发电量。

目录

中文摘要

英文摘要

第一章 绪论

1.1 选题背景及意义

1.2 国内外风速及发电功率预测的研究现状

1.2.1 风速预测的基本方法

1.2.2 国外风速预测研究现状

1.2.3 国内风速预测研究现状

1.3 论文的主要研究内容

1.4 本文的内容安排

第二章 风特性分析

2.1 风特性

2.1.1 风速与风级

2.1.2 风剪切特性

2.1.3 风速频率分布特性

2.1.4 风的湍流特性

2.2 常用风速模型

2.2.1 平均风速与湍流风速模型

2.2.2 谐波总和

2.2.3 阵风、渐变风和随机风模型

2.3 风速测量

2.4 实际风电场风特性分布

2.4.1 数据介绍

2.4.2 风向特性

2.4.3 风速频率分布特性

第三章 基于时间序列的风速预测模型

3.1 时间序列法介绍

3.2 时间序列的统计学模型

3.2.1 自回归模型AR(p)

3.2.2 滑动平均模型MA(q)

3.2.3 自回归滑动平均模型ARMA(p,q)

3.2.4 求和式自回归滑动平均模型ARIMA(p,d,q)

3.3 时间序列的平稳性

3.4 风速时间序列模型

3.4.1 风速数据预处理

3.4.2 模型定阶

3.4.3 参数估计

3.4.4 模型检验

3.5 实例分析

3.5.1 计算步骤

3.5.2 计算实例和分析

3.5.3 风速预测及误差分析

3.5.4 分析结论

第四章 基于人工神经网络的风速预测

4.1 人工神经网络简介

4.1.1 人工神经元模型

4.2 BP神经网络

4.2.1 BP神经网络的学习

4.2.2 BP网络的特点及局限性

4.2.3 带动量项和自适应学习率的BP算法

4.3 遗传算法

4.3.1 染色体编码

4.3.2 产生初始种群

4.3.3 适应度函数

4.3.4 遗传算子(选择、交叉、变异)

4.3.5 算法的终止条件

4.4 遗传神经网络

4.4.1 遗传算法优化神经网络的步骤

4.5 遗传神经网络在风速预测中的应用

4.5.1 遗传神经网络进行预测的基本步骤

4.5.2 实例分析

第五章 风电机组的发电量预报

5.1 风力机的空气动力学

5.2 功率特性分析

5.3 短期发电量预报

第六章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

附录

在学期间发表的学术论文和参加科研情况