基于小波理论风电功率实时协同预测研究

《基于小波理论风电功率实时协同预测研究》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、第33卷第1／2期东北电力大学学报V01．33．No．1／22013年4月JournalOfNortheastDianliUniversityApr．，2013文章编号：1005—2992(2013)01／02—0120—06基于小波理论的风电功率实时协同预测研究严干贵，熊昊，杨茂，王东，宋薇(东北电力大学微通电力系统研究室，吉林吉林132012)摘要：风力发电联网运行是实现风能大规模开发利用的主要途径，准确的风电功率实时预测是实现风能大规模合理调度的有效手段。对风电功率波动特性进行了分析，得到合理的小波分解层数，通过选取各层预测的最优方法，从而得到协同预测模型。最后以吉林省某风场的

2、实测数据为例，阐述了模型选取的准则，预测结果验证了协同预测模型的有效性。关键词：小波理论；实时预测；协同预测；风电功率波动中图分类号：TM715文献标识码：A清洁能源在改善各国的能源结构、减少温室气体排放等方面具有积极的作用。作为清洁能源中发展最快的、最具潜力的风力发电在我国得到了极大的关注。相比常规能源，随机变化的风速和风向使得风电功率具有波动性、间歇性和不完全可控性等特征。当大规模风电场接入电网运行时，大幅度地风电功率波动会对电网的功率平衡和频率调节带来不利影响。提高风电功率预测精度是实现含大规模风电电力系统运行安全性和经济性的重要手段。近年来，国内外学者对风电功率预测理论及系统

3、开发做了大量研究，提出了多种预测方法，取得了一系列的成果¨。在文献[4—5]中，提出了基于小波和神经网络的预测模型，利用神经网络对各频量分别预测，各频量预测结果相加得到最终的预测值。在文献[6]中，通过将混沌相空间重构后得到的饱和嵌入维数／／2作为神经网络的输入节点数，使得预测精度得到提高。文献[7—8]将最／l~Z-乘支持向量机运用与风电功率预测中。然而在工程实际中，新颖的智能方法虽然无须像传统学习方法一样，需要大量演绎和归纳，仍面临着预测精度高度依赖样本特点。本文对风电功率波动特性进行了分析，建立了基于小波理论的风电功率实时协同预测模型，阐释了多尺度分析下的风电功率预测机理。风电

4、功率实时预测是指自预测时刻起，对未来15分钟至4小时的风电场有功功率值进行预测，时间分辨率为15分钟。实时预测的意义在于其能够滚动地修正风电场日出力计划曲线，进而及时调整风电场的有功出力。风电功率数据可以看作为复杂的随机信号，对于复杂信号的处理往往是分解为一系列简单的信号，这里首先利用小波理论以频率为特性对原数据进行多尺度分解，分解的层数及小波基函数的选取通过分析风电功率的波动特性来确定，然后通过分析历史数据中不同预测方法的特点及效果，来确定每一层所采用的预测方法，得到预测模型。在国家能源局印发的《风电场功率预测预报管理暂行办法》中的相应指标下，统计预测结果，进而提高预测精度。1基于

5、小波理论的风电功率波动特性分析1．1小波理论小波变换的概念最初是在1974年由法国学者J．Morlet提出的。从数学角度，小波是在特定空间内收稿日期：2012—09—14基金项目：国家自然科学基金(50877009)；国家自然科学基金重点项目(60934005)；吉林省产业技术研究与开发专项项目(JF2012C018)；国家科技支撑计划课题=(2011BAA07B03)作者简介：严干贵(1971一)，男，江西省鹰taxi人，东北电力大学电气工程学院教授，博士，主要研究方向：风发电、柔性交流输电技术．第1／2期严干贵等：基于小波理论的风电功率实时协同预测研究121按照小波基函数的形式对

6、数学表达式的展开与逼近。从信号角度，小波克服了傅里叶分析方法能够揭示信号频率特征但不能反映时域信息的局限性。当采用小波理论实施时频分析时，由于同时具有时间和频率的特性以及多分辨分析的特性，使得对于信号的分析与处理变得相对容易。小波基函数大多为具有快速衰减、充分光滑等特点。小波基函数经平移和尺度变换后与待分析信号做比较，便可以分析该信号的局部特性，如公式(1)所示。，√a(¨)，(1)Mallat算法是一种计算离散正交小波变换∽的快速算法救，其悯主要思想是基于塔式多分辨分解与重构机理札列序彩函制将原信号投影到两个正交空间，其中慢变部一分对一应一于低一雌一频一特性一aj(t)；：1，2，

7、3⋯，代表主要轮廓；快变部分对应于高频特性d(t)；=1，2，3⋯，代表细节，如图1所示。那么，根据Mallat算法则有下式成立。1．2dblO同的(0．017r)，通过分析不同小波基下，重构后的一⋯⋯三个子函数的误差大小，得到在平稳时间序列条件图M分解算法下，coif5为最优的小波基。1．3小波分解层数的确定在风电功率预测中，实际的风功率数据可以看成是各个频率段分量的耦合，小波分解正是对这些耦合的数据进行解耦，得到不同尺度下的各频段分量。确定分解的层数是