武汉大学大学生科研项目中期报告c.docx
- 文档编号:7725613
- 上传时间:2023-01-26
- 格式:DOCX
- 页数:10
- 大小:219.22KB
武汉大学大学生科研项目中期报告c.docx
《武汉大学大学生科研项目中期报告c.docx》由会员分享,可在线阅读,更多相关《武汉大学大学生科研项目中期报告c.docx(10页珍藏版)》请在冰豆网上搜索。
武汉大学大学生科研项目中期报告c
武汉大学大学生科研项目结题报告
大型风电厂长期风电功率预测系统
院(系)名称:
电气工程
专业名称:
电气工程及自动化
学生姓名:
***
指导教师:
***
二○一二年十一月
郑重声明
本人呈交的结题报告,是在导师的指导下,独立进行研究工作所取得的成果,所有数据、图片资料真实可靠。
尽我所知,除文中已经注明引用的内容外,本报告的研究成果不包含他人享有著作权的内容。
对本报告所涉及的研究工作做出贡献的其他个人和集体,均已在文中以明确的方式标明。
本报告的知识产权归属于培养单位。
本人签名:
日期:
摘要
风能作为一种可再生洁净能源的代表,有着广泛的发展前景。
随着大规模风电场的兴起,风能越来越多地被应用到发电行业。
由此也给电力系统带来一系列问题,例如电压问题、电能质量、调度方案等,特别是风电场输出功率的不可预知性,给电网运行带来极大的困难。
对风电场输出功率进行预测不但能提高电网运行水平,而且可以降低非可再生能源的消耗,提高电力系统经济性,减少温室气体排放,意义重大。
然而我国对风电率预测起步较晚,准备工作也不及国外充分,例如,对风电功率预测系统所需要的基础数据准备不够充分,对风电场气象信息的监测和收集技术不够成熟等,这些都制约着对风电功率预测系统的研究和开发。
本项目旨在于对风电功率预测影响因素的分析,引入多变量输入,并利用小波-神经网络分析方法进行风电功率预测。
关键词:
风能风电功率预测
目录
摘要3
第1章绪论5
1.1研究背景5
1.1.1风电发展现状5
1.1.2风电功率波动性预测研究现状5
1.1.3现有预测算法及其缺点6
1.1.4预测方法的前景6
第2章项目设计8
2.1设计方案说明8
2.2影响风电功率预测的因素8
2.3小波一神经网络预测模型与算法9
2.3.1小波一神经网络预测模型9
2.3.2算法10
3算法应用13
3.1基于小波-神经网络模型的风电功率预测13
3.2基于BP神经网络模型的风电功率预测15
第1章绪论
1.1研究背景
1.1.1风电发展现状
随着世界经济的日益发展,全球能源形势日益严峻,伴随着节能减排压力的增加,风电受到越来越多的关注,装机容量急速增加。
2007年至2012年期间全球风力发电快速发展,全球累计装机容量逐年增加,平均增长率为21.02%,而中国作为一个快速发展的发展中国家,每年新增装机容量也基本保持上升趋势,2010年发展速度略有放缓
1.1.2风电功率波动性预测研究现状
随着风力发电装机容量的不断提升,风电占所在电网的比例也在逐步增加。
由于风的高度随机波动性和间歇性,使得大容量的风电接入电网会对电力供需平衡、电力系统的安全、以及电能质量带来严峻挑战。
风电功率预测系统使风电场可以向电网公司提供准确的发电功率预测曲线,这使得电网调度可以有效利用风电资源。
对风电场进行功率预测,对促进风电的规模化发展既是一种必需也是一种必要。
国外在开展对风电场出力预测方面已经取得一些成果。
在风能开发水平相对较高的欧美国家,各种模型的预测系统相继被开发出来,并投入到实际应用中,取得了良好的预测效果。
我国对风电率预测起步较晚,准备工作也不及国外充分,例如,对风电功率预测系统所需要的基础数据准备不够充分,对风电场气象信息的监测和收集技术不够成熟等,这些都制约着对风电功率预测系统的研究和开发。
因此,对基础数据的采集、处理和管理以及如何提高预测精度是一个值得研究的内容。
1.1.3现有预测算法及其缺点
随着大规模风电接入,短期风力发电功率预测对于电网调度和安全经济运行是非常重要的。
目前,风电功率的主要预测方法有时间序列法、人工神经网络法、支持向量机法等。
时间序列法在风电功率预测中,运用较多的主要是以历史数据来预测风速,之后再由风电功率曲线得到所预测的风电功率值。
然而时间序列法主要用于线性预测,其预测效果不是很理想。
人工神经网络法具有自组织和自适应能力,可以实现非线性映射,常用于非线性的风电功率预测,其风电功率的预测精度高于时间序列法的预测精度。
支持向量机法对新增样本具有很好的包容性和适应性,常被用于风速的预测,主要是利用支持向量机的预测方法进行风速的预测,具有避免维数灾、无局部最优值等优点,但还有待对其方法进行完善。
这些研究主要是利用风速这一单一变量来间接的预测风电功率,不能达到令人满意的效果,根据风电功率曲线,由风速、温度等变量来预测风电功率,文中分别用时间序列法和人工神经网络法来预测风电功率,研究结果表明人工神经网络模型的预测方法好于时间序列模型的预测方法,人工神经网络模型更适用于非线性预测,但总体来看,效果还不是很好。
通过分析影响风电功率的某些因素,引入多变量输入,并用BP神经网络模型来预测风电功率,但还不能满足所要求的预测精度。
1.1.4预测方法的前景
为了提高风电功率预测精度,降低电网调度的难度,通过对影响风电功率预测的诸多因素如风速、风向、风电功率、温度等进行分析,进而对风电功率的预测方法进行研究和探讨,提出了基于多变量的小波分析模型的短期风电功率预测方法。
而本文基于对风电功率预测影响因素的分析,引入多变量输入,并利用小波-神经网络分析方法进行风电功率预测。
第2章项目设计
2.1设计方案说明
鉴于风力发电的具有很强的随机性,风电效率预测有较高的难度,目前主流的预测方法误差在5%~40%左右。
由经验可知,风力发电功率的变化与地域、季节、风向等因素相关,故应根据不同的地域及季节特点采取不同的预测方法。
在风电功率预测的算法中应考虑到地形等各方面因素,以及各个风能电厂之间地域上的联系。
2.2影响风电功率预测的因素
风电功率预测的精度与诸多因素有关。
风电机组的输出功率:
Pw=1/2ρAxVwCp(λ,ψ)
(1)
式中,Pw是风机的输出功率;ρ是空气密度;Cp(λ,ψ)是风能利用系数;λ是叶尖速比;ψ是桨距角;Ax是风力机叶片扫过的面积;Vw是风速。
由式
(1)可知,影响风电功率的因素主要有风速、空气密度等。
风电功率与风速的三次方有关,微小的风速变化将引起风电功率的大波动,风速对风电功率预测影响很大。
风电功率与空气密度的一次方有关,而空气密度与气压、温度、湿度等有关,可知风电功率的预测受气压、温度、湿度等影响。
在这些因素中,尤其是温度的影响最为严重,极寒地区的风电机组,其风机的叶片表面易结冰,影响风电机组的输出功率。
风向决定着风电机组在风电场中的排列方式,风电机组的排列方式在一定程度上决定着各台风电机组的输出功率。
除了上述所提的风速、温度、风向变量外,还有一个历史风电功率变量,它本身对所预测的风电功率也有一定的影响。
为提高风电功率预测精度,本研究采用风速、温度、风向和历史风电功率等多变量进行风电功率预测,其中,为便于区分所有的风向,选取风向的正弦值和余弦值作为风电功率预测的输入变量。
2.3小波一神经网络预测模型与算法
小波一神经网络预测模型是一种结合了小波分析和神经网络优点的预测模型。
小波分析具有良好的时频局部化性质,通过小波多分辨分析,可将信号分解成相应频带凋期变化的信号,能更好地揭示信号的变化规律。
神经网络可以任意精度逼近任何非线性信号,特别适用于非线性预测。
2.3.1小波一神经网络预测模型
本项目提出的基于小波一神经网络的多变量风电功率预测模型结构如图1所示。
图中,V为风速,P1为历史风电功率,添加这个变量,是为了更好的预测风电功率,T为温度,D为风向,P为预测的风电功率,SA1,SA2,Sal,Sat是变量信号利用静态离散小波函数进行2尺度的多分辨分析分解后的轮廓信号,SD1,SD2,Sdl,Sd2是变量信号利用静态离散小波函数进行2尺度的多分辨分析分解后的细节信号。
SA1,SA2,SD1,SD2代表的是修正后的风速变量经过小波分解后得到的四个变量SA1,SA2是风速变量经过两次分解后所得到的长度相等的两个轮廓变量。
SD1,SD2是风速变量经过两次分解后所得到的长度相等的两个细节变量。
Sal,Sat、Sdl,Sd2代表的含义与SA1,SA2,SD1,SD2相同,只是代表的不再是风速变量,而是其它变量。
图2.1所示的风电功率预测结构选用了四个输入变量,即温度、风速、风向、历史风电功率。
在比较研究中,输入变量的选取可能选用一个、两个、三个或四个。
修正数据部分是对各输入原始数据进行查漏补缺,并进行预处理,使其都处于[1,1]范围之内,得到修正后的数据。
小波分析部分是利用小波多分辨分析的快速算法将信号分解为相应尺度的细节信号和轮廓信号,以此作为神经网络模型的输入信号。
神经网络采用了BP神经网络,包含输入层、隐含层和输出层,为使神经网络的输出可在一个大范围内变化,隐含层的神经元采用了S型函数,输出层采用线性函数。
图2.1
2.3.2算法
小波的多分辨分析可根据信号分析的需要将信号分解为不同尺度下的轮廓信号和细节信号,以揭示信号的特征。
Ma11at算法是在多分辨分析的快速分析算法,它包含信号的分解过程和重构过程。
信号的分解过程是从J尺度到J+1尺度的逐步分解过程,也就是将信号
分解为
和
,在这里,未采用下2采样,可使得分解后的信号保持原有长度,方便风电功率预测。
信号的分解表达式:
式中:
是尺度J+1下的轮廓信号,
是尺度J+1下的细节信号,ho(k)是信号分解的低通滤波器,hl(k)是信号分解的带通滤波器。
信号的重构过程是从J+1尺度到J尺度的逐步重构过程,也就是利用细节信号
和轮廓信号
来逐步复成原始信号
。
信号的重构表达式:
式中:
g0(n)是信号重构的低通滤波器,g1(n)是信号重构的带通滤波器。
由信号与滤波器进行计算的结果可知,对于任意信号函数,都可将其分解为细节信号和轮廓信号,并使得小波变换后的信号长度不变,因此,原始信号经小波变换后,可保持不同尺度上的细节信号和轮廓信号的长度不变,特别适合于风电功率预测。
BP神经网络的最基本算法思想就是通过信息的正向传递与误差的反向传播,反复的调整和修正网络的连接权值ω和δ值,使输出值与期望值的接近,直至达到期望目标。
(1)信息的正向传递。
隐含层中第i个神经元输出:
输出层中第k个神经元输出:
误差函数为:
式中:
s1为隐含层神经元。
s2为输出层神经元,tk为实际值,
为预测值。
误差的反向传播。
权值修正量:
Δw=-η(8)
修正权值:
w=w+Δw(9)
阈值修正量:
Δb=-η(10)
修正阈值:
b=b+Δb(11)
BP神经网络的最基本算法是梯度下降学习算法,其权值的修正是沿着误差性能函数梯度的反方向进行的,但是它也存在一些不足,如学习算法收敛速度太慢,易陷入局部极小点等等,在实际工作中,最基本的算法很难实现,因此,出现了许多基于最基本算法的改进算法,这里,主要是针对权值调整量Δw的改进。
引入Hessian矩阵,可近似表示为:
H=JTJ,梯度的计算式为:
g=JTe,则其权值调整量为:
Δw=(JTJ+μJ)-1JTe。
式中:
e为网络的误差向量,J为含网络误差函数对权值和阈值一阶导数的雅可比矩阵,μ为系数。
当μ的值很大时,则可提高收敛速度,预测更精确,且每一次迭代后,使μ减小,这样,迭代出来的误差性能总是减小的,以此达到更好的预测效果。
3算法应用
本项目选用某风电场一个月的20天数据,选其中14天的数据作为训练数据,6天的数据作为检测数据。
3.1基于小波-神经网络模型的风电功率预测
基于小波-神经网络模型的风电功率预测结果如图2~5所示。
其中图2所示为输入变量仅为风速情况下的预测结果;图3~5所示为多输入变量情况下的预测结果。
将图2所示预测结果与图3~5的预测结果进行比较,可知多输入变量情况下的风电功率预测精度较单输入量情况下高。
由图2~5可知,基于小波-神经网络模型的风电功率预测曲线误差的大小跟输入变量的多少有关,并且随着输入变量的增加,其风电功率的预测曲线误差
图2输入变量仅为风速时的风电功率预测曲线
图3输入变量为风速、风电功率时的风电功率预测曲线
图4输入变量为风速、风向、风电功率时的
风电功率预测曲线
图5输入变量为风速、风向、风电功率、温度的
风电功率预测曲线
逐渐减小,并可得知,风速、历史风电功率、风向、温度都对风电功率的预测起到一定的影响,由图2~3可知,历史风电功率对风电功率的预测起到关键作用。
由图3~5可知,风向、温度对风电功率的预测起到一些作用,但效果很微弱。
3.2基于BP神经网络模型的风电功率预测
图6所示为具有最小误差的BP神经网络风电功率预测结果。
由图6可以看出,基于BP神经网络的风电功率预测结果与实际值间存在较为明显的误差,说明其预测精度有限。
图6误差最小的风电功率预测曲线
表1给出了基于小波-神经网络预测的均方根误差和基于BP神经网络预测的均方根误差最小值。
由表1可看出,基于小波-神经网络预测结果误差在几种输入量组合情况下都比BP神经网络的预测结果误差小,说明基于小波-神经网络的风电功率预测精度明显高于基于BP神经网络预测精度。
同时,由表1也可看出用多输入变量进行风电功率预测精度要高于只用风速单一变量预测的精度。
差综上所述,输入变量的选取对风电功率的预测误差起到很重要的作用,输入变量的多少直接决定着风电功率预测精度。
小波-神经网络模型的风电功率预测误差远小于BP神经网络模型的风电功率预测误差,证明了本项目所提的模型的正确性。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 武汉大学 大学生 科研项目 中期 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)