基于“分解-重组-优化”混合模型的风能预测研究

【摘要】：确保能源安全、应对气候变化、保护生态环境的问题受到我们越来越多的关注,新能源的使用和开发在国际上已经成为社会的普遍共识和一致行动。风能隶属于新能源且是其中十分重要的一环,它具有蕴含量大且分布广泛的优点,风能发电能够有效的减少化石燃料的燃烧,对我国目前重视的环保节能都拥有十分重要的参考价值。然而风能在很大程度上取决于风力、风向和气象等,以至于风力发电是高度随机、间歇和不稳定的。为了维持风电体系中供需的平衡稳定,减少由于风力波动导致成本增加的不利影响,合理的安排资源调度,本文对风能进行了预测。本文将爱尔兰风电场中的风能作为研究对象。全文共分为五个部分:第一部分介绍了风能研究的背景和意义,风能的研究内容以及国内外的研究现状。第二部分,阐述了风能的预测模型理论,主要包括模态分解、样本熵、鲸鱼优化算法和预测模型框架的相关理论,关于鲸鱼算法易于造成局部最优的弊端,本文对其进行了自适应步长和量子旋转门的改进,并将改进的鲸鱼算法应用到径向基神经网络和广义回归神经网络的宽度参数和平滑因子等重要参数的优化。第三部分,对爱尔兰风电场的风能数据进行了描述性的统计分析,对原始数据进行了标准化的处理,在此基础上,采用了机器学习等六个模型对风能进行了预测,预测显示出径向基神经网络和广义回归神经网络的预测效果最好。第四部分,为了解决风能数据波动性大预测困难的缺点,本文采用了变分模态分解和互补集合经验模态分解将风能分解成若干个子序列,然后用样本熵对子序列进行了重组,用鲸鱼算法和改进的鲸鱼算法优化径向基神经网络和广义回归神经网络的参数并对重组后的子序列分别进行了预测,最后根据模型的评估指标和统计检验评估出各个子序列的最佳预测模型,并对其结果进行了集成,得到了最终的预测结果。为了验证优化混合模型的稳定性能,本文对互补集合经验模态分解下的组合模型进行了鲁棒性分析。经过研究本文得到了以下结论:(1)变分模态分解和互补集成经验模态分解能够对每15分钟的风能进行有效的分解,显著降低了风能数据强烈的波动性,且互补集合经验模态的分解效果要优于变分模态的分解效果;(2)针对风能数据,在单一机器学习模型中,RBF神经网络和GRNN神经网络针对风能的预测性能在一定程度上优于SVM、LSSVM、LASSO和岭回归;(3)对鲸鱼优化算法进行自适应权重和量子旋转门等改进能够有效的提高算法的寻优能力;(4)和第三部分中单一的机器学习模型预测相比较,优化的混合模型在时间序列的预测中具有一定的实践和借鉴意义。