风电场功率预测与规划.pdf

《风电场功率预测与规划.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、西安电子科技大学2015年数学建模校内赛承诺书我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的,如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们授权西安电子科技大学2014年数学建模校内赛竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式

2、或非正式发表等）。我们参赛选择的题号是（从A/B/C中选择一项填写）：参赛报名号为报名时所属学院（请填写完整的全名）：参赛队员姓名与学号(打印，用二号字，并签名)：1.2.3.日期：年月日西安电子科技大学2015年大学生数学建模校内赛评阅专用页评阅人1评阅人2评阅人3总评成绩风电场功率预测与规划摘要本文研究风电场功率的预测与规划问题。利用BP神经网络构建风电功率超短期预测模型，并利用ARMA算法和基于ARMA的卡尔曼滤波模型构建风电功率短期预测模型，解决风电场功率的预测问题。对问题一，我们首先根据风力发电的国际标准对所给数据进行合理性检验，得出所给数据符合标准。根据风机组输出风

3、电功率的公式，通过图像分析研究各影响因素对输出功率的影响程度，初步选定风速、风向、温度、湿度作为主要影响因素。根据主要影响因素确定神经网络结构，建立基于BP神经网络的超短期预测模型。将主要影响因素逐个加入神经网络，逐次提高模型的拟合准确度。最后，利用BP神经网络模型预测未来4小时内的风电功率，与所给实测数据进行相对误差计算。由计算结果得出在环境因素不发生剧变时，模型预测结果精度较高。对问题二，我们选定ARMA模型作为基本模型。ARMA模型要求样本数据是平稳、正态零均值的时间序列，所以首先对题中所给数据进行平稳性检测。因数据不符合平稳性要求，故进行平稳化处理以及后续的零均值标准化

4、处理。对处理后数据采用自相关函数定阶准则定阶，建立ARMA模型。由拟合图像和拟合数据得出，在输出功率较大时，模型预测结果准确度较高。最后应用ARMA预测模型进行预测分析，给出未来48小时的风电功率预测数据。之后在ARMA模型的基础上进行改进，建立基于卡尔曼滤波的短期预测模型。利用ARMA模型中所用参数推导卡尔曼模型的状态和测量方程，应用建立好的卡尔曼滤波模型给出未来48小时的预测数据。对问题三，我们根据现有的风能资源分布图及气象站的风资源情况，结合地形及其他因素从一个相对较大的区域中筛选较好的风能资源区域。初步拟定具体选址地点为甘肃省瓜州县。查找该地的历史气象数据并对数据进行分

5、析。最后综合考虑风电场地域内的风速、风向、地形及风轮尾流效应，参考问题一、问题二中所得结论，确定风电场风机布局及优化。本文利用BP神经网络、ARMA、卡尔曼滤波等模型，结合MATLAB和EXCEL软件，对风电场功率进行多种不同方式的预测，并对预测结果进行评价、分析。利用所得结论，结合实际理论给出风电场规划流程与方案。在文章的最后对模型提出改进方式，在实际应用中有较大的参考价值。关键词：BP神经网络ARMA算法卡尔曼滤波风电功率预测风电场选址1一、问题重述风能是目前最成熟、最具开发规模和商业化发展前景的可再生能源之一。但风电具有很大的随机性、间歇性、不可控性和反调峰特性，这些特性

6、给电网调度，维持发电、输电、用电之间的功率平衡以及电力市场管理带来了极大的压力。为了解决大规模风电对电网功率平衡所带来的问题，需要对风电场的输出功率进行预测，使得风电功率合理的纳入电网的调度计划中。请完成以下问题：1.利用附件1.1中的数据建立风电功率的超短期预测模型，给出未来4小时内的风电功率具体预测结果，并将预测结果与附件1.2中的实际功率比较。2.利用附件2中的数据建立短期风电功率预测模型，给出未来48小时内的风电功率预测结果和误差分析。3.在进行风电入网规划时，需要将一个风电场所产出的总风电功率看作整体进行调度。根据我国风力资源、地理环境等信息，确定出一个可以建立风电场

7、的地区或是已经建有风电场的地区，并规划该地区的风电机组位置、规模等，使所建的风电场能产出最大的风电总功率，给出具体方案。二、问题分析2.1问题一的分析问题一要求利用24小时内的风电功率数据建立风电功率的超短期预测模型，并预测未来4小时内的风电功率。首先，我们对所给数据进行合理性检验，剔除异常数据并对不合理数据进行初步处理。然后，根据风机组输出风电功率的公式，研究各影响因素对最终输出功率的影响程度。根据各因素的影响程度确定神经网络结构，建立基于BP神经网络的超短期预测模型。接着，利用通过对各因