数据驱动的大型风电机组输出功率超短期预测研究毕业设计开题报告.docx

湘潭大学毕业设计开题报告题目：数据驱动的大型风电机组输出功率超短期预测研究学院：信息工程学院专业：通信工程学号： 2012551032 姓名：张业帆指导教师：苏永新提交日期： 2016.3.1 一、基本信息毕业设计题目数据驱动的大型风电机组输出功率超短期预测研究毕业设计的学生信息学号姓名班级联系电话电子邮箱2012551032张业帆12级通信工程3班18373253860373679192@指导老师苏永新提交时间2015.03.11问题背景随着社会发展，人们对能源的消耗也越来越多人们对化石能源的开采和使用过多导致了越来越多的社会环境问题。火力发电的燃料不可再生性以及燃煤带来的酸雨，雾霾等环境污染问题，水力发电的受区域和季节的限制性、水库带来的的安全性问题以及日趋饱和，核电安全性问题带来的顾忌，致使人们把目光转向了安全、清洁、可再生能源的开发。风能日益成为公认的最具成本效益的可再生能源的来源。因此，风能的期望达到了前所未有的水平。美国计划到2030年实现全国电能需求量的20%是由风力发电量来提供。我国新能源规划目标显示，到2020 年，风电并网装机容量将达到2亿千瓦。为了实现这些目标，对于风能的研究就尤为关键。然而由于风能是一种具有间歇性、不可控性和随机性的新能源，风电输出功率往往会因此产生较大波动。对于有大规模风电场并网的电力系统中，这种风能特性在并入电网后会对电网造成一定的冲击，降低电能品质、影响电力系统的安全稳定运行和增大电力调度的难度。电网企业限制风电并网的一个重要原因正是因为风电不稳定性对于电网所造成的影响。“并网难”的根本原因还是风电场缺乏预计、无序运行。为克服风力波动对整体电力系统运行所造成的影响，世界上主要发达国家都在进行对于风电功率预测的开发实验。目前,国内外学者已经研究了很多风力发电发展现状和瓶颈,获得了突破性进展,促进了风能发展。现在国内外提出了基于不同机理的预测方法，大致可分为物理方法和统计方法。物理方法是利用天气预报数值，同时考虑整个风电场区域的气流、障碍物、地形等因素，利用风电机组的功率曲线进行预测。统计方法则不考虑这些物理因素，而是利用统计的办法，建立起系统的输入与输出之间的一种函数映射。利用物理方法进行预测，不需要风电场的大量历史数据，更适合地形复杂的区域，但预测精度较差；用统计方法进行预测，预测精度较高一些，但需要大量的历史数据，且对模型的改进优化较为困难。主要技术难点和拟解决的问题1、基于该课题下的人工神经网络的选择。 2、考虑搭配风电场地形，风电机组之间的相互影响等问题，需要设计预测模型，以及研究相关参量与输出功率之间的关系。3、仿真的实现，需要编写相应的程序代码。4、仿真结果的分析与对比，找到该设计的不足，并进行改进优化。基本解决方法和设计思路人工神经网络作为一种模拟人大脑神经元结构的网络，其实质是一种数学统计方法，因此在此之前需要确定输入量与输出量及网络参数的确定。则基于该课题下的设计思路：基于该设计下的人工神经网络的选择风电机组输出功率与各参数之间的关系，并确定网络的输入变量。结合BP神经网络对风电机组输出功率进行预测。基于Matlab的实现。参考文献[1]迟永宁，刘燕华，王伟胜，等．风电接入对电力系统的影响[J].电网技术，2007，31(3):77-81．[2]Modeling Plant Phenology Database: Blending Near-Surface Remote Phenology with On-the-Ground Observations.Greice C. Mariano;?Leonor Patricia C. Morellato;?Jurandy Almeida;?Bruna Alberton;?Maria Gabriela G. de Camargo;?Ricardo da S. Torres;[3]A.D.Hansen,F.Iov,F.Blaabjerg,and L.H.Hansen. Review of contemporary wind turbine concepts and their market penetration[J].Wind Eng,2004,28(3):247-263.[4]范高锋,王伟胜,刘纯,戴慧珠. 基于人工神经网络的风电功率预测[J].中国电机工程学报,2008,34(18):118-123.[5]黄金花,彭晖.风电场短期风电功率的神经网络方法预测研究[J].电工电气,2009,09(8):57-60.[6]迟永宁,刘燕华，王伟胜，等．风电接入对电力系统的影响[J].电网技术,2007,31(3):77-81．[7]R.G.Kavasseri and K