风电功率预测及异常检测研究-电气工程专业论文.docxVIP

Abstract Abstract 西安理工大学工程硕士学位论文 西安理工大学工程硕士学位论文 iii iii PAGE PAGE iv process. The simulations are tested for the single disperse abnormity and continuous abnormity samples by using three improved algorithms. The simulated results show that three improved algorithms can detect the abnormity effectively. The research results in this dissertation are of great scientific significance and application for improving the efficiency and veracity of the power prediction and anomaly detection, and improving the wind power industry and optimizing power grid dispatching. Key words: wind power prediction; anomaly detection; auto-regressive and moving average; least-square support vector machine; kalman filter v v PAGE PAGE vi 目 录 目 录 1 绪论 1 1.1 研究背景与意义 1 1.2 风电功率预测和异常检测分析 3 1.3 国内外研究现状 4 1.4 本文研究任务和意义 7 1.5 本论文的结构及主要内容 7 2 时间序列预测和异常检测方法 9 2.1 引言 9 2.2 自回归滑动平均模型算法 9 2.2.1 算法背景 9 2.2.2 模型建立 10 2.2.3 算法仿真验证 11 2.3 最小二乘支持向量机算法 12 2.3.1 算法背景 12 2.3.2 算法基本原理 13 2.3.3 核函数的选取 16 2.3.4 最优核参数选取 17 2.3.5 算法仿真验证 18 2.4 卡尔曼滤波算法 20 2.4.1 算法背景 20 2.4.2 基本工作原理 21 2.4.3 算法仿真验证 22 2.5 本章小结 23 3 风电功率预测 24 3.1 引言 24 3.2 改进自回归滑动平均模型算法 24 3.2.1 算法改进思想 24 3.2.2 预测值修正 25 3.2.2 样本在线密度估计算法 25 3.2.3 算法过程 27 3.3 改进最小二乘支持向量机算法 28 3.4 卡尔曼滤波算法 28 西安理工大学工程硕士学位论文 西安理工大学工程硕士学位论文 第一章 第一章 绪论 3.5 风电功率预测 30 3.6 本章小结 32 4 风电功率数据异常检测 34 4.1 引言 34 4.2 异常检测衡量指标 34 4.3 异常分类的模糊判别方法 35 4.4 风电功率异常检测算法 36 4.4.1 自回归滑动平均模型算法 36 4.4.2 最小二乘支持向量机算法 37 4.4.3 卡尔曼滤波算法 37 4.5 异常检测 38 4.5.1 离散异常检测 38 4.5.3 连续异常检测 40 4.6 本章小结 43 5 总结与展望 44 5.1 总结 44 5.2 展望 44 致谢 46 参考文献 50 PAGE PAGE 13 PAGE PAGE 10 1 绪论 1.1 研究背景与意义 20 世纪以来，能源问题已经引起了各国政府的广泛关注，特别是随着石油、 煤炭等化石燃料的日益枯竭，环境问题、生态问题使得人们把目光转向了清洁能 源，例如风能、太阳能、地热能等[1]。其中，风能是一种取之不尽、用之不竭、 的清洁能源，不会对环境造成污染。人类利用风能的历史可以追溯到公元前，但 数千年来，风能技术发展缓慢，没有引起人们足够的重视。自 1973 年世界石油 危机以来，风能作为新能源的一部分才重新有了长足的发展。 风能是太阳能的一种转换形式，具有储量丰富、广泛分布、温室效应几乎为 零等特点。据估计，全世界的风能总量约 1300 亿千瓦，中国的风能总量约 16 亿 千瓦[2]。风力发电是风能利用的主要形式，近年来一直保持着很高的年增长速度。 特别是上世纪九十年代以来，风力发电累计装机容量年增长率平均超过 20%， 在电网中所占的比