摘要:随着人类社会和经济进步对能源依赖性逐渐增加。然而，传统发电模式的石油、煤炭等一次能源消耗对环境造成很大污染，使得风能作为清洁、可再生的新型能源得到广泛应用。但是，风力发电具有波动性大、间歇性大、稳定性差等缺点，很大程度约束了风电场并网发电计划预报信息的准确度。因此本文就并网风电预报策略展开研究，首先在分析风力发电特性的基础上，引进Matlab软件，分别利用BP神经网络、基于最大相关准则（MCC）和粒子群算法的BP神经网络、RBF神经网络、基于粒子群优化的RBF神经网络（PSO-RBF）、小波神经网络和最小二乘支持向量机（LS-SVM）几种统计预测算法进行风电功率预测，通过比较分析几种方法的优势及不足，选择较好的预测方法，然后结合小波包神经网络对预测功率曲线进行平滑修正，作为并网计划预报功率曲线。

其次，在验证并网预报曲线输出实现的可行性方面，引进由超级电容器与蓄电池组合的储能系统，利用Simulink软件设计风/储发电模型，其中包括：额定容量为1.5MW的双馈异步电机模型、电压外环，电流内环控制的双向AC/DC变换器、电压、电流双闭环控制的双向DC/DC变换器、储能模型。

最后，对风/储模型编写控制策略，综合考虑预报曲线、风机输出功率实测值以及电池的储能状态等因素后，进行电池的充放电行为控制。

为了检测上述软硬件策略的可行性，将经过储能平抑后输出到电网的功率与预报曲线进行对比，计算预报曲线的准确率与合格率，以验证风电场功率预报计划曲线的准确度及波动率是否符合国家要求。

关键词：发电并网计划，神经网络，预报曲线，储能控制策略

目  录

摘  要

ABSTRACT

第一章 绪论-1

1.1课题背景及意义-1

1.2国内外研究现状及发展趋势-2

1.3本文主要内容-3

第二章 风功率预测及预报曲线-4

2.1风功率预测-4

2.1.1BP神经网络-4

2.1.2基于最大相关准则（MCC）改进的BP神经网络-6

2.1.3用粒子群算法优化BP神经网络-8

2.1.4RBF神经网络-9

2.1.5基于粒子群算法优化的RBF神经网络（PSO-RBF）-12

2.1.6 LS-SVM算法-13

2.1.7小波神经网络-14

2.2算法比较-17

2.3预报曲线-21

2.4本章小结-23

第三章 风/储仿真平台设计-24

3.1双馈异步发电机工作原理简述-24

3.2双向AC/DC变换器-26

3.2.1PWM变换器的数学模型-27

3.2.2双向AC/DC变换器的PQ控制策略-29

3.3双向DC/DC变流器-31

3.4储能模型-33

3.4.1蓄电池储能原理及模型建立-33

3.4.2超级电容器储能原理及模型建立-34

3.5本章小结-35

第四章 储能管理及控制策略仿真-36

4.1储能管理策略-36

4.1.1储能方案设计-36

4.1.2储能管理策略-37

4.2整体仿真-41

4.3本章小结-46

第五章 总结与展望-47

5.1总结-47

5.2 展望-48

参考文献-49

致 谢-51