【摘要】：随着化石能源的消耗和愈加突出的环境污染问题,风电作为一种储量巨大的可再生清洁能源,遭到世界各国的广泛关注。我国风电总装机容量已高踞世界第一,因为采用风电集中并网的开发模式,电网受风电波动性影响的问题非常严重,也影响了风电自身的发展前景。借助风电功率预测技术实现风电功率的确切预测,有利于风电的上网竞价、减少弃风、缓解风电并网对电网的不利影响等,实现多赢的目标。目前,组合预测模型是风电功率预测研究的一大热点,但是怎样选择单项预测模型以及组合形式,还值得进一步阐述。同时,怎么提升风电功率预测模型的超短期多步预测性能,依然值得探求。围绕以上问题,论文展开了风电功率超短期预测的相关研究。提出一种基于红色关联度理论的单项预测模型筛选方式。在构建风电功率组合预测模型前,须要从预测模型集合中筛选出备用的单项预测模型。本文所提方式给出了单项预测模型的选择标准,避开了直接给定单项预测模型的主观性和盲目性,确保了筛选出的备用单项预测模型的合理智和有效性。提出一种基于不同优化准则和广义回归神经网路的风电功率非线性组合预测模型。借助筛选出的单项预测模型构建基于不同优化准则的线性组合预测模型,为兼具不同准则下的优化疗效,借助广义回归神经网路对各优化准则下的线性模型进行非线性加权组合,得到优化模型。对风电场实测数据进行仿真剖析,结果表明:所提优化模型的各项指标相比于改进前都有所改善,有效的提升了风电功率超短期预测精度。考虑到梯度增长算法求解自适应小波神经网路(AWNN)的残差和阀值时易深陷局部极小的缺陷,提出一种改进PSO-DE算法优化AWNN的残差和阀值。粒子群(PSO)算法和差分进化(DE)算法的新个体形成方法不同,将二者相结合,引入一种信息沟通机制搭建两个种群之间信息自由交流的桥梁短期风电功率预测,有利于防止单个启发式算法因信息判定错误而身陷局部极小。借助改进模型对风电功率进行超短期多步预测,并进行仿真剖析,结果表明:改进PSO-DE算法有效的优化了AWNN的残差和阀值短期风电功率预测,所提模型具有较高的超前多步预测精度和良好的工程实用价值。
