1. 研究目的与意义（文献综述）

1.1 目的及意义

风能被认为是现代电力系统中发电最有效的可再生能源。在过去的几十年里，风能在全球范围内经历了快速增长。特别是，丹麦的风电可以提供高达20％的电力消耗。但是风力为传统发电带来更多不确定性。随着风电电量占社会总用电量比例的不断提高，准确地预测风电功率对缓解电网调峰压力、减少电力系统备用容量配置、提高电网风电接纳能力等均具有重要意义. 目前，国内外对于风力发电各种课题的研究越来越深入，但其中关于风电场风速和功率预测的研究还达不到令人满意的程度。研究基于超限学习机方法的智能型大型风电场控制技术，针对超短期风速预测对保证风电并网运行可靠性和维持电力系统安全稳定具有重要的意义，随着风力发电的大规模发展和并网运行，风电场输出功率的精确预测对电力系统的运行也具有重大意义。

1.2 国内外研究现状

2. 研究的基本内容与方案

研究基于超限学习机方法的智能型大型风电场控制技术，针对超短期风速预测对保证风电并网运行可靠性和维持电力系统安全稳定具有重要的意义，针对风速预测中不同因素对风速影响程度不同的特点，提出一种基于互信息属性分析与极端学习机的超短期风速预测方法。首先，选取与风速相关的多种候选属性因素，分别计算其相对于风速序列的互信息值，根据互信息，衡量属性对风速的影响程度，并选择输入属性；然后，由互信息值计算属性权值；采用加权处理后的属性值来训练极端学习机，构建风速预测模型；最后，采用新模型预测未来的风速。采用湖北省风能技术中心的实测数据开展实验，实验结果验证，新方法具有良好的预测精度，能够满足实际风速预测需要。

对风速进行快速、准确的预测，可以有效地减小或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。根据风速具有混沌特性，提出一种相空间重构的极端学习机（extreme learning machine，elm）的短期风速预测模型，通过确定延迟时间和嵌入维数，对样本空间进行重构，使新的样本更能反映风速变化特性，在此基础上运用elm进行短期风速预测。与传统的预测模型相比，该方法应该具有学习速度快、泛化性能好等优点，为风速预测提供新方法。

高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义。针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机（regularized extreme learning machine, relm）的风电场短期风速预测新方法。首先，采用自相关函数（acf）对风速时间序列的相关性进行分析，得到预测模型输入属性集合；其次，确定预测网络的输入、输出等参数，并建立relm模型；再次，利用训练集在训练过程中确定网络参数，构建relm预测模型；最后，以relm预测模型开展短期风速预测，得出预测结果。采用湖北省风能技术中心的实测风电场风速数据开展实验来验证和证明，相对于标准的elm和bp神经网络，新方法具有更好的预测精度。

3. 研究计划与安排

2017年12月-2018年1月，查阅近五年参考文献资料，建议谷歌学术搜索英文文献为主，中文文献为辅，其中，需要阅读至少30篇外文文献，翻译20篇外文文献。每一至两周向指导老师和辅助指导的研究生汇报毕业设计论文研究进展；

2018年2月份结合研究目标开始绘图、建模、模拟仿真、算法研究、控制方法，完成翻译20篇外文文献；

2018年3月中旬前提交开题报告，阶段性报告每周一次；

4. 参考文献（12篇以上）

【1】冬雷, 廖晓钟, 王丽婕. 大型风电场发电功率建模与预测[m]. 科学出版社, 2014.

【2】叶杭冶. 风力发电机组的控制技术.第3版[m]. 机械工业出版社, 2015.