基于数学形态学和局部预测的短期风能预测研究

《基于数学形态学和局部预测的短期风能预测研究》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、SouthChinaUniversityofTechnology硕士学位论文基于数学形态学和局部预测的短期风能预测研究作者姓名__________吴家樑学科专业电力系统及其自动化指导教师吴青华教授所在学院_________电力学院论文提交日期2015年6月Short-termWindPowerForecastBasedonMathematicalMorphologyandLocalPredictorADissertationSubmittedfortheDegreeofMasterCandidate˖WuJialiangSuperv

2、isor˖Prof.WuQinghuaSouthChinaUniversityofTechnologyGuangzhou,China࠼㊱ਭφTK89ᆜṗԙਭφ10561ᆜਭφ201220110818঄঍⨼ᐛཝᆜ⺋༡ᆜփ䇰ᮽ֌㘵ဃ਽˖੤ᇦ⁁ᤷሬᮉᐸဃ਽ǃ㙼〠˖੤䶂ॾᮉᦸ⭣䈧ᆖս㓗࡛˖ᐕᆖ⺅༛ᆖ、уъ਽〠˖⭥࣋㌫㔏৺ަ㠚ࣘॆ⹄ウᯩੁ˖⭥࣋㌫㔏࠶᷀䘀㹼о᧗ࡦ䇪᮷ᨀӔᰕᵏ˖2015ᒤ06ᴸ05ᰕ䇪᮷ㆄ䗙ᰕᵏ˖2015ᒤ06ᴸ03ᰕᆖսᦸҸঅս˖ॾই⨶ᐕབྷᆖᆖսᦸҸᰕᵏ˖ᒤᴸᰕㆄ䗙ငઈՊᡀઈ˖ѫᑝ˖䱸ᲃьငઈ˖੤䶂ॾୀ᮷㱾㥶ᵍ䵎ᵾỖ䈇华南理工

3、大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研宄成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研宄做出重要贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：Hi曰期：年6月j日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属华南理工大学。学校有权保存并向国家有关部门或机构送交论文的复印件和电子版，允许学位论文

4、被查阅（除在保密期内的保密论文外）；学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。本人电子文档的内容和纸质论文的内容相一致。本学位论文属于：□保密，在_____年解密后适用本授权书。0不保密，同意在校园网上发布，供校内师生和与学校有共享协议的单位浏览；同意将本人学位论文提交中国学术期刊（光盘版）电子杂志社全文出版和编入CNKI《中国知识资源总库》，传播学位论文的全部或部分内容。(请在以上相应方框内打“V”）曰期日期：滅“电子邮箱']2.S.3^摘要随着能源危机的显现和环境污染的日益严重

5、，作为可再生能源的重要组成部分，风能已经成为世界各国关注的热点。由于风能的随机性和不确定性，风力发电并网在全网发电总量比例的不断上升，将对现有电网造成冲击，给电力系统安全、稳定、经济运行提出了新的困难和挑战。精确的风能预测，是解决风能随机性所引发一系列问题的最经济、最可行的方案之一。为保证电力系统稳定运行，合理安排调度计划，降低电网运营成本，需要对风电场输出功率进行准确的短期预测。首先，论文回顾了主流风能预测方法的原理，分析了现有风能预测方法的优缺点，并在此基础上，提出了风能预测的新方法，以降低风能预测的误差，提高预测结果的稳定性。

6、本文主要研究统计型风能预测模型，利用风电场输出功率的历史数据，来建立风电场输出功率与历史数据之间的关系，并以此预测未来风电场的输出。显然，统计型模型依赖于对历史数据特征的分析和处理。因此，本文从风能历史数据的筛选、分析和处理着手，研究短期预测的方法。首先，鉴于对训练集合进行筛选对预测精度有着重要影响，本文提出了一个基于数学形态学的预处理方法，并与LS-SVM模型相结合实现短期风能预测。不同于将所有历史数据用于建模，本文提出的方法仅在历史数据中筛选出与预测数据片段具有相同或相近变化趋势的相似数据，用于建模预测。所谓相似数据，是与预报数

7、据片段具有相同变化趋势的一系列曲线段的集合。根据预报数据片段的波动特性，相应地设计一个三角形结构元素。借助于数学形态学的非线性滤波器的特性，设计一个k阶OCCO滤波器，在保留风能波动特性的前提下，将风能曲线中的高频（噪音）分量滤除，提取出风能的趋势线。根据趋势线的升降特点，将其分成若干段，每段赋予不同的权重。随后，利用多分辨率形态学梯度，将风能趋势线的上升、下降趋势进行量化。每个采样点的形态学梯度与其对应权重之积定义为风能曲线的趋势特征量。最后，相似数据将用于训练、建立LS-SVM模型，再利用该模型进行多步预测。与没有对历史数据进行

8、预处理的算法相比，采用了相似数据进行训练建模的预测方法，具有预测精度高、稳定性好的优点。由于风能与风电场当地复杂的气候情况紧密相关，导致风能具有高度的随机性，风能时间序列的波动规律不易掌握，故而直接利用原始风能时间序列进行预测较难获得