风电功率短期预测算法研究（电力系统及自动化论文资料）.docVIP

风电功率短期预测算法研究（电力系统及自动化论文资料） 目录 TOC \o 1-9 \h \z \u 目录 1 正文 2 文1：风电功率短期预测算法研究 2 2风电功率预测分类及影响因素 3 1）历史数据 3 2）数据选择和处理 3 3）预测模型搭建 4 4）偏差研究 4 3利用BP神经网络构建预测模型 4 4基于改进型支持向量机风电功率预测模型优化 5 5结论 6 文2：电力系统负荷短期预测 7 1 电力系统负荷预测的发展现状 7 2 电力系统用户用电特点分析 8 2.1 工业用电 8 2.2 农业用电 8 2.3 交通运输业用电 8 2.4 城乡居民生活用电 9 3 影响电力系统负荷变化的主要因素 9 3.1 基本因素 9 3.2 气候因素 9 3.3 市场因素 9 4 电力系统负荷短期常用预测方法 10 4.1 专家系统 10 4.2 模糊预测方法 10 4.3 组合模型 10 5 结语 11 参考文摘引言： 11 原创性声明（模板） 12 正文 风电功率短期预测算法研究（电力系统及自动化论文资料） 文1：风电功率短期预测算法研究 1概述 短期风电功率预测主要在于模型的建立以及历史数据的选择[1-6]。本文着重研究了预测模型的优化以及数据的选择和结构，主要完成了以下工作： （1）首先仔细研究了影响风电功率预测的各个重要因素，并分析了风的特点、风速及功率预测特性。 （2）借鉴BP神经网络建模方法，将风电场的NWP数据信息作为BP神经网络的输入。研究某历史数据，建立了风电场的功率模型，实现了风电场的功率预测。BP神经网络建模过程中的训练数据处理方法单一，缺乏一定的历史价值。针对风电场的天气预报数据和历史实际功率数据存在的问题，提出了一种聚类分析方法对训练数据进行分类，并将分类后的数据作为BP神经网络的输入。以某风力发电机组的历史数据和实际输出功率为对象，在Matlab中进行了仿真实验，验证了两种算法的预测结果和优化效果。 （3）为解决风电预测中使用向量机模型时经常出现的参数选择错误，引入人工鱼群算法（ArtificialFishSwarmAlgorithm，AFSA）从而完善风电预测模型。 2风电功率预测分类及影响因素 风机发电的多寡主要受当地天气及气候情况影响，所以不同地区依照自身情况所构建的预测模型是互不相同的[7] 风速即单位时间内风的移动距离，风速会随着时间的推移随机变化，具有很强的随机特性，因此风速的选取应取多次测量数据的平均。 在同一地区，不同季节甚至于同一天内风速也在时刻变化，同时，温度、湿度、高度都会影响风速，当海拔较高时，风速较大；而凌晨的风速较小。 风电功率的可靠预测能够有效降低风电接入电网所带来的负面影响，并且增强风电出力的稳定能力。而风能具有很强的随机性，这也给预测带来很大难度。风电功率预测包括历史数据，数据选择和处理，预测模型搭建和偏差研究组成。 1）历史数据 历史数据主要有天气及风速风向情况、风机运行数据、维护数据等，主要选取最近的最新的最全面的数据。 2）数据选择和处理 历史数据无法全面客观的展现风机实际状况，甚至含有部分错误或不准确信息，所以需要对数据进行初步处理以剔除干扰因素。可以通过以下方式进行数据处理：按照日常经验对风速情况进行修正、对风机输出功率进行校正；对于丢失的数据，根据前后数据情况进行数据补充；根据历史情况对目前的数据进行修正。 3）预测模型搭建 搭建预测模型是风电功率预测的最重要的步骤。常见的模型包括：BP神经网络构建模型、SVM构建模型等。模型包括：物理性预测模型、持续性预测模型等。本文一是利用聚类分析方法，结合BP神经网络构建模型；二是利用改进SVM构建模型，利用AFSA优化第二种模型从而提高预测效果。 4）偏差研究 偏差研究能够有效估计预测结果和实际结果。通常情况下风电预测结果与实际值均存在一定差异，偏差通常利用均方根误差（RMSE）表示。 3利用BP神经网络构建预测模型 BP神经网络算法属于多层前馈神经网络。它的信号按照正向传播，而其误差则按照反向来进行传播，通过实时改变并校准每层的权值、闭值，来促进预测值不断接近真实值。正向传输过程中，信号由输入层输入，通过隐含层，对信号进行初步处理，传输至输出层，如果输出信号不同于期望值亦或是无法符合预设条件时，开始进行反向传播，继而调整每层的权值、闭值，促进预测值不断接近真实值。[8-10] 所谓聚类分析，即对于各种数据，按照其共同特征进行分类学习，即将具有相似特性的数据处于同一种类。 此处利用某风场2018年9月数据来对其进行风电功率预测，数据包括温度、风速、气