基于混沌理论的短期风电功率预测方法研究

《基于混沌理论的短期风电功率预测方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、硕士学位论文基于混沌理论的短期风电功率预测方法研究ResearchonShort—termWindPowerForecastingBasedonChaosTheory学号：21Q!墨Q丝大连理工大学DalianUniversityofTechnology大连理工大学学位论文独创性声明作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体已经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处

2、，本人愿意承担相关法律责任。学位论文题目：整立逸湮j必丝弛因垒出篮譬毯童年盘毖歪渗作者签名：郑蕉垄日期：丛丝年—鱼月—L日Io＼J大连理工大学硕士学位论文摘要随着风电接入电网后所占比例的上升，风电功率预测己成为电网安全经济运行的一个必备工具并得以快速发展。本文在对风电功率预测的概念与分类进行归纳的基础上，综述了实际应用的风电功率预测系统和理论研究的最新进展，并讨论了风电功率预测的性能评价以及监督考核措施。现有研究表明，基于混沌时间序列的风电功率短期预测模型具有较高精度。基于混沌预测模型，为减小风电功率短期预测的误差，本文提出两种提高预测精度的措施。一方面，由于混沌系统对初始条件具有敏

3、感依赖性，预测模型输入量的差异将对预测精度产生较大影响。为减小构成初始条件的样本数据所导致的预测误差，本文借鉴负荷预测中基于相似日选取样本的思想，采用趋势相似度的概念选择相似日作为模型输入量，对短期风电功率进行混沌预测。选择我国某区域的风电功率作为原始数据，考虑不同预测步长和季节差异，进行了大量的算例仿真，结果表明该方法提高预测精度的效果明显。另一方面，现有的研究表明，组合预测模型较单一预测模型的预测效果有所提高，而采用时间序列分解的方法分析原始数据有助于深入挖掘原始序列的内在信息，故本文基于混沌预测模型，提出了基于傅里叶变换分解的短期风电功率组合预测模型。首先，采用傅里叶变换将原始

4、数据分解为低频趋势分量和高频随机分量；然后，根据低频、高频时间序列分量的特点，分别建立混沌预测模型和ARMA预测模型，并将预测值叠加得到预测结果。同样考虑不同季节风电功率数据的差异性对该方法进行验证，建立相应的风电功率组合预测模型。结果表明与单一预测模型相比，该模型的预测误差大幅减小，且预测曲线更贴合实际值变化，可有效改善短期风电功率预测性能。关键词：风电功率；短期预测；混沌时间序列；趋势相似度；组合预测；傅里叶变换；ARMA模型基于混沌理论的短期风电功率预测方法研究ResearchonShort．termWindPowerForecastingBasedonChaosTheoryA

5、bstractWiththegrowthoftheproportionofwindpowerintegratedintopowergrids，windpowerforecastinghasbecomeanindispensabletoolforkeepingthepower曲doperatingsafelyandeconomically．Thispapersummarizestheconceptsandclassificationofwindpowerforecastingandthepracticalapplicationofwindpowerforecastingsysteman

6、dtheoreticalstudyofthelatestdevelopments，anddiscussestheperformanceevaluationandsupervisionmeasuresofwindpowerforecasting．Studyshowsthatwindpowerforecastingmodelbasedonchaotictimeserieshasahighaccuracy．Inforecastingerrorbasedonchaoticforecastingtheforecastingaccuracy．ordertoreducetheshort-termw

7、indpowermodel，twomethodsareproposedtoimproveFirstly．chaossystemiSsensitivetoinitialconditionsaccordingtochaostheory．Inordertoreducetheerrorbroughtbyinputdata，thispaperdrawstheideaofselectingsamplebasedonsimilardaysformloadforecast