基于人工智能的短期風(fēng)電功率組合預(yù)測研究.pdf

1、隨著社會和經(jīng)濟(jì)的快速發(fā)展，傳統(tǒng)的化石燃料已不能滿足人們對能源的需求，可再生能源的發(fā)展已經(jīng)成為各國關(guān)注的焦點(diǎn)，其中，風(fēng)力發(fā)電的關(guān)注程度最高。近幾年，我國風(fēng)力發(fā)電發(fā)展速度驚人，據(jù)能源局統(tǒng)計，2015年的風(fēng)力發(fā)電量占總發(fā)電量的比例是3.3％。隨著風(fēng)力發(fā)電所占比重的持續(xù)增加，風(fēng)電并網(wǎng)給電網(wǎng)的安全穩(wěn)定運(yùn)行及電力調(diào)度帶來了嚴(yán)重影響，準(zhǔn)確地短期風(fēng)電功率預(yù)測能夠有效地解決這些問題。因此，研究風(fēng)電功率短期預(yù)測具有重要的意義。
　　(1)從短期風(fēng)電功

2、率預(yù)測的基本方法、誤差分析和機(jī)制流程三方面對短期風(fēng)電功率預(yù)測的基本理論進(jìn)行了介紹。然后，分別采用基于相似日法和最小二乘支持向量機(jī)(LS-SVM)法的短期風(fēng)電功率預(yù)測方法進(jìn)行了實例分析，結(jié)果表明運(yùn)用LS-SVM法得到的預(yù)測結(jié)果的誤差要小于運(yùn)用相似日法得到的預(yù)測值的誤差。
　　(2)為克服傳統(tǒng)聚類算法局部尋優(yōu)的缺陷，基于改進(jìn)的模糊C-均值聚類算法，提出了一種綜合聚類算法，并將其運(yùn)用到RBF神經(jīng)網(wǎng)絡(luò)中心的確定上，進(jìn)而給出了一種基于RBF

3、神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測方法。最后，采用該RBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行了短期風(fēng)電功率預(yù)測的實例分析，預(yù)測結(jié)果表明，本文給出的基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法能夠有效提高預(yù)測精度。
　　(3)針對單項預(yù)測方法的局限性，介紹了兩種基本組合預(yù)測方法，并基于灰色關(guān)聯(lián)度的IOWGA算子組合預(yù)測方法，給出了一種短期風(fēng)電功率最優(yōu)組合預(yù)測方法。最后，將上文給出的RBF神經(jīng)網(wǎng)絡(luò)法、相似日法和LS-SVM法作為單項預(yù)測方法，運(yùn)用所提出的最優(yōu)組合預(yù)測方法