基于经验模式分解风电场风速趋势预测研究

《基于经验模式分解风电场风速趋势预测研究》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、新能源发电控制技术《电气自动化》2O10年第32卷第2期TheNewEnergyPowerControlTechnology———基于经验模式分解的风电场风速趋势预测研究六WindSpeedTrendForecastingofWindFarmBasedonEmpiricalModeDecomposition兰州理工大学电气工程与信息工程学院(兰州730050)王晓兰李辉(LanzhouUniversityofTechnology，LanzhouGansu730050，China)WangXiaolanLiHui摘要：风速预测对风电场

2、和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性，传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项；以趋势项为自变量，建立二元线性回归分析的预测模型，依据最小二乘法原理来获取预测模型的两个系数；再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。关键词：风力发电风速预测时间序列经

3、验模式分解最小二乘法Abstract：Windspeedforecastingisveryimportanttotheoperationofwindpowerplantsandpowersystems．Itcanrelieveoravoidthedisad-vantageousimpactofwindpowerplantonpowersystemsandenhancethecompetitiveabilityofwindpowerplantagainstotherpowerplantsinelectricitymarket．Wind

4、speedisakindofnonlinearandnon—stationarytimeseries，itisdificulttoconstructthemodelforaccurateforecast．Inthispaper，aforecastingmethodbasedonempiricalmodedecomposition(EMD)andleastsquaremethodispro—posed．ThewindspeedtimeserieswasdecomposedintoseverMintrinsicmodefunctions

5、(IMF)andthetrendterm；thetrendtermwasdefinedastheindependentvariable，andbuildupthedualisticlinearregressionanalysisforecastingmodel，thetwocoefficientscanbeobtainedbymeansoftheleastsquaremethod；thelast，usethemodeltopredictthefuturetrendofthewindspeed．Thesimulationexperim

6、entshowsthatthehybridmethodhasimprovedperformances．Keywords：windpowergenerationwindspeedforecastingtimeseriesempiricalmodedecomposition【EMD)leastsquaremethod[中图分类号]TM614【文献标识码】A【文章编号】1000—3886(2010)02—0035—041引言算方便；人工神经网络法具有难以科学确定网络结构、学习速度风能作为一种清洁的可再生能源已经受到了越来越广泛的重慢、存在

7、局部极小点等固有缺陷；模糊逻辑法预测学习能力较弱，视，并成为发展最快的新型能源”一21。现今，开发和利用风能的主模糊系统的辨识还未形成完善的理论。要形式是大规模并网风力发电，这就需要对风电场风速或风力发风电场风速预测可分为短期风速预测和中长期风速预测。准电功率预测比较准确。确的短期风速预测，有利于电网调度部门调整调度计划，同时减轻由于风速受纬度、海拔、地形、气压、温度等因素影响，具有很风电场对电网的不利影响；准确的中长期风速预测则有利于风电场的规划设计，制订长远的发展目标。本文主要讨论了风电场风强的随机性，所以对其预测的难度非常大】

8、。目前，国内外用于风速预测的方法主要包括以下几种：物理方法J，统计学方法17j，空速的长期预测。一般来说，预测周期越短，预测地点的风速变化越间相关性法_81，卡尔曼滤波法1，随机时间序列法，人工神经网缓和，预测误差就会越小；反之，预测