基于混沌时间序列的大型风电场发电功率预测建模与研究_.pdf

《基于混沌时间序列的大型风电场发电功率预测建模与研究_.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、2008年12月电工技术学报Vol.23No.12第23卷第12期TRANSACTIONSOFCHINAELECTROTECHNICALSOCIETYDec.2008基于混沌时间序列的大型风电场发电功率预测建模与研究1,2111,2冬雷王丽婕高爽廖晓钟（1.北京理工大学信息科学技术学院北京1000812.北京理工大学复杂系统智能控制与决策教育部重点实验室北京100081）摘要通过对风力发电系统的发电功率时间序列进行低维非线性动力学建模，表明该时间序列呈现混沌特性。在此基础上，利用混沌时间序列的相空间理论建立了风力发电功率神经网络预测模型，对风力发电功率的短期预测进行了分析和研究，并

2、得到了较高的精度。本文研究数据均来自大唐赛罕坝百万千瓦级风电场。关键词：风力发电混沌属性功率预测神经网络中图分类号：TM614ModelingandAnalysisofPredictionofWindPowerGenerationintheLargeWindFarmBasedonChaoticTimeSeriesDongLeiWangLijieGaoShuangLiaoXiaozhong(BeijingInstituteofTechnologyBeijing100081China)AbstractThetimeseriesofwindpowergeneratingcapacitya

3、reexaminedbynonlineardynamicalmethods,inordertoidentifychaoscharacteristicfromitsrandom-likewaveform.Theanalysisofmodelingwithlowdimensionsnonlineardynamicsindicatesthattimeseriesofwindpowergeneratingcapacityhavechaoscharacteristic,andwindpowergeneratingcapacitycanbepredictedinshorttime.Phases

4、pacereconstructionmethodisusedforartificialneuralnetworkmodeldesign.ThedatafromthewindfarmlocatedintheSaihanbaChinaareusedforthisstudy.Keywords：Windpowergeneration,chaoscharacteristic,capacityprediction,neuralnetwork进行短期和中期的准确预测，可以大幅降低风力发1引言电系统成本，并且为电网运行调度提供可靠的依[1−4]20世纪70年代以来，风力发电技术日新月异，据。使风电

5、成本持续下降，技术趋于成熟。2005年全世目前，对风电场的发电量的短期预测主要分两界新增风电装机约2%，累计达到59264MW。其中，步来完成：首先利用风速模型预测出风力发电机风德国风电总装机18445MW，约占全球31%，居世轮轮毂高度的风速、风向，并且计算出风速与风轮界第一。我国2005年总装机容量为1264MW，约占扫过平面正交的风速分量。然后利用风力发电机模[5−7]全球2%。随着风力发电技术的不断发展，并网型型计算出发电机的实际输出功率。在上述的研究风电场的规模都在不断增加。为了满足供电需求，过程中不仅地理因素对预测准确度有很大影响，实保证电网稳定运行和供电系统的可靠性，

6、必须对供时数据的采集地点和数量、气温、气压、湿度和风[8]电系统进行有效的计划和调度。所以需要对大型风向等对预测的准确度影响也非常大。要获得准确电场的输出功率进行预测。通过对风电场发电功率的风力发电机的输出功率的预测值也是一个非常复杂的工作。另外，考虑到成本问题，在大型风电场中国家自然科学基金资助项目（50777003）。所设立的气象信息测量塔也不可能很多，设立的位置收稿日期2007-03-10改稿日期2007-10-25126电工技术学报2008年12月不可能代表所有的风力发电机所处的气象参数。间序列的互信息可以表示为在大型风电场中风力发电功率时间序列本身就I(Q,S)=H(Q)

7、−H(Q

8、S)=H(Q)+H(S)−H(S,Q)含有气象信息。考虑到并网型风力发电系统通常的=−∑Pq()log()iiPq−∑Ps()log()jjPs+工作模式为最大功率点跟踪模式（MPPT），通过对ij（2）该数据的分析和挖掘就可以获得新的风力发电功率∑∑Psq(,)log(,)jiPsqjiij预测方法。众所周知，气象学中的大气对流模型具有典型的混沌特性。混沌时间序列表现出两面性，式中，Q，S分别为两个离散变量；H(*)表示信息一方面是无序性，另一方面是有序性