文献综述
1.课题背景与意义中国是全球风力发电规模最大、发展最快的市场，预计2020年至2024年新增装机容量50.8GW，年复合增长率超19%。
截至目前，我国风电并网装机容量达到30015万千瓦，突破3亿千瓦大关，较2016年底实现翻番，是2020年底欧盟风电总装机的1.4倍，是美国的2.6倍，已连续12年稳居全球第一[1]。
不同于传统的化石能源，风力发电受随机天气条件的影响更为突出，风速、风向的变化波动导致风力发电量具有较高的随机性、间歇性与波动性[2]。
而在电网中，要求供电和需求之间随时保持平衡。
随着大型的并网型风电场数量的不断增加，风力发电的不稳定性和不可控性使得电网调度的难度大大增加，对实现安全的电网运行提出了重大挑战[3]。
因此，如若可以准确地预测出风电场发电功率，一则有助于电网调度机构进行规划，保障电网的安全运行，二能有助于拟定科学的风电场控制策略，减少旋转备用容量，压缩风力发电所需要的成本，为风电参与竞价上网夯实基础[4]。
在本文探讨的预测方法中，变分模态分解能够增加预测模型对快速波动的风速时间序列响应能力，面对受地形、温度、湿度和气压等多种因素影响的有较强的波动性和非平稳性的风速，提高了预测的精度[5]。
BP神经网络是当前研究领域内最成熟的机器学习方法之一，工作机制表现为数据前向传输，而误差是反向传输的。
BP神经网络具有自学习能力、自适应能力以及泛化能力较强的特点，结构简单易操作，对风电功率超短期预测这种复杂问题的处理十分有效，在经过良好的训练后，可以取得较高的预测精度[6]。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文开题文献，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
