导　　师： 季天瑶

授予学位： 硕士

作　　者： (）;

机构地区： 华南理工大学

摘　　要： 随着保护环境的呼声愈高及常规能源的枯竭,新能源的发展越来越受到大家的关注。其中,作为无污染的可再生能源之一的风能,在全球各地得以大力的开发。然而,由于风的强波动性和有限的可预测性,限制了风能在大电网中的应用,特别是在实时性要求极高的电力市场中的应用。风速风能预测的精度,直接影响电力系统的调度和运行,是电力市场能否健全、稳定发展的决定性因素。因此,提高风速风能的预测精度具有非常重大的意义。本文基于数据处理的方法,对风速风能的短期局部预测进行研究,致力于提高风速风能的预测精度。本文首先对国内外风速风能预测模型进行了研究,特别是预测模型中的数据处理方法,其中主要研究数据分解、相空间重构、相似段搜索和误差反馈的相关方法。在分析现有方法的优缺点之后进行了改进。在数据分解方面,本文提出基于经验模式分解的滤波器和基于数学形态学的形态高频分解器。实验结果表明,形态高频分解器分解得出的趋势项能够非常准确地提取原始时间序列曲线的形状,而基于经验模式分解滤波器分解得出的趋势项则更有周期性。这两个分解算法的分解效果均优于传统的经验模式分解算法和小波分解算法,对提高预测精度有明显作用。在相空间重构方面,本文提出非等时延嵌入理论,即允许相空间重构过程中,各维的延迟时间常数不同。并提出一个新判据以求解参数。与传统的等时延嵌入理论进行对比,发现非等时延嵌入理论更能捕捉原始时间序列的特征,其对预测的辅助作用更明显。在相似段搜索方面,本文提出二度相似判据并应用于高频项的相似段搜索中。该判据同时比较线段的幅值和形状。通过仿真对比发现,该判据适用于高频项,但并不适用于趋势项。其原因是二度相似理论更重视线段之间形状上�

关 键 词： 数据分解 相空间重构 相似段搜索 风速风能预测 优化调度

领　　域： []