一种新型混合预测模型的研究与应用.docxVIP

一种新型混合预测模型的研究与应-中国风速预测案例研究摘 要鉴于目前能源危机日益严重，新能源的开发利用日益受到重视，风能在这些可再生能源中得到广泛的应用。然而，风电的随机性可能会在电力系统中引起一系列问题。此外，将大型风电场整合到整个电网中将给稳定和安全带来沉重的负担。准确的风速预测将降低风电的随机性，有效缓解风电对电力系统的不利影响。在本文中，提出了一种混合风速预测模型，希望实现更好的预测性能。采用小波包变换（WPT）将风速级数分解成不同频率的几个系列。建立了基于模拟退火（PSOSA）的粒子群优化调整参数的最小二乘支持向量机（LSSVM），对该系列进行建模。模型的最优输入形式由相空间重建（PSR）确定。为了验证拟议模型的有效性，以西北地区甘肃省四个风电场的日平均风速为例，模拟和灰色关系分析的结果表明，所提出的模型优于对照模型，并且接受了具有相同均值的真实系列的预测序列的零假设。目 录1 介绍12 方法论42.1小波包变换（WPT）42.2 相空间重建C-C法42.3 最小二乘支持向量机（LSSVM）42.4 优化算法52.4.1 粒子群优化（PSO）52.4.2 模拟退火（SA）52.4.3 组合优化算法PSOSA52.5 灰色关系分析63 混合WPT-LSSVM-PSOSA模型64 实验设计及结果74.1 研究区域和数据集74.2 预测精度的绩效标准74.3 WPT的结果84.4 相空间重建（PSR）84.5 选择LSSVM模型84.6 模型比较94.7 灰色关系分析结果104.8 统计假设检验105 结论111 介绍随着世界能源消耗不断增加，传统能源资源蓬勃发展，化石燃料储存量下降，全球能源危机逐渐显现。因此，减轻能源危机，发展可再生能源，实现能源的可持续发展已成为世界能源发展战略的重大举措。风能是可再生能源的重要类别，资源丰富，可再生，广泛分布和清洁，导致风电成为重要的可再生能源发展方向。目前，风电不仅在发达国家，还在许多发展中国家广泛应用，甚至在一些发达国家，风电部分取代了传统发电模式，是经济发展的基本动力。中国是世界上最大的发展中国家，拥有丰富的风能资源。随着风电技术日益成熟和政府的大力支持，风电已成为全国增长最快的可再生能源。根据中国政府的计划，到2020年，风电装机容量将达到30吉瓦[1]。在当今风力发电的快速发展中，风电在整个电力系统中的比重越来越大。然而，由于风能的随机性和间歇性，随机风速和风向导致风力发电机输出功率的明显波动，这种波动对电网频率和电压稳定性产生不利影响。当风电比例达到一定程度时，对电力系统的安全稳定运行和发电量的质量构成严重挑战。另外，为了应对风力发电的间歇性和随机性，需要足够的备用电力来保护用户的正常供电，从而增加了电力系统的储备能力，这无疑增加了电力系统的运行成本电力系统。因此，准确的风速预测可以提高随机风电的可预见性，降低储备功率需求，从而提高电网的可靠性。降低运行成本和旋转储备将有可能增加电网中的风力发电量。为了避免风力发电一体化的挑战，相对精确的风速和风力发电预测是非常重要的。目前，中国风电场的风速预测误差在25-40％的范围内[2,3]。这些结果不尽如人意，不仅与预测方法有关，而且与预测期有关。根据风电运行的要求，预测可分为四个层面：[4,5]：超短期，短期，中长期和长期。超短期预测和短期预测主要用于负载跟踪和预负载共享。风力发电机组的电力系统管理和维护措施分别采用中长期和长期[6,7]的预测进行。近期，许多研究人员对风速和风力发电预报进行了深入研究，并提出了许多方法，并将其应用于风电场。这些方法可以分为四个类别[8]：物理模型，统计模型，空间相关模型和人工智能模型。物理模型不仅利用历史数据，还考虑了天气和地理条件来帮助风速预测，期望实现更好的预测精度[9,10]。相反，称为随机时间序列模型的统计模型只采用历史风速。这种模型方法易于应用，实现简单。因此，风速预测中常出现几种类型的时间序列模型，包括自回归模型（AR），移动平均模型（MA），自回归移动平均模型（ARMA）[11]和自回归积分移动平均模型（ARIMA） [12]。文献调查得出的结论是，在绝大多数案例研究中，统计模型在适用于短期，中期和长期风速预测时表现良好，而物理学模型在超短期和短期视野中呈现令人满意的结果。通常，当风电场的可用研究信息不足时，空间相关模型[13,14]主要被使用，但是几个相邻风电场的基本信息是可用的。与其他模型不同，为了建立空间相关风速预测模型，必须从多个空间相关位置测量风速和其他包含延迟时间的必要信息。因此，测量及其延迟时间增加了实施空间相关预测的复杂性和成本。最近随着人工智能技术的飞速发展和普及，应用不同的智能算法，包括人工神经网络（ANN）[15-19]