第1章緒論 001
1.1風電預測及微電網優化調度研究的目的和意義 003
1.2相關研究現狀 005
1.2.1風電預測研究現狀 006
1.2.2微電網優化調度研究現狀 012

第2章基於信號分解和參數優化的MKLSSVM風速預測 019
2.1概述 021
2.2基於WPD的風速數據預處理方法 021
2.2.1小波包分解基本原理 022
2.2.2風速數據歸一化處理 025
2.3基於CGDQPSO-MKLSSVM的風速預測模型 026
2.3.1改進型量子粒子群CGDQPSO算法 026
2.3.2自適應加權多核最小二乘（MKLSSVM）的風速預測方法 033
2.4基於信號分解和參數優化的MKLSSVM風速預測建模 040
2.4.1風速短期預測的建模 040
2.4.2風速預測誤差評價指標 041
2.5案例分析 042
2.5.1風速樣本數據 042
2.5.2風速時間序列預處理 044
2.5.3單步風速預測結果及分析 047
2.5.4多步風速預測結果與分析 053
本章小結 058

第3章基於重力搜索算法優化的雙核LSSVM風速預測 059
3.1概述 061
3.2聚合經驗模態分解風速預處理方法 061
3.3雙核最小二乘支持向量機 064
3.4混合重力搜索算法優化DKLSSVM參數和特征選擇 066
3.4.1重力搜索算法的工作原理 066
3.4.2二進制重力搜索算法的基本原理 067
3.4.3特征選擇和參數優化 068
3.5EEMD-HGSA-DKLSSVM風速預測模型 068
3.6實例分析 070
3.6.1風速統計性描述 070
3.6.2EEMD風速樣本數據分解 071
3.6.3重構各輸入空間變量 073
3.6.4參數設置 075
3.6.5各分量特征選擇結果 075
3.6.6風速預測結果及比較分析 077
3.6.7與其他風速預測模型的比較與分析 084
本章小結 086

第4章基於粒子群重力搜索算法優化的ELM風速預測 089
4.1概述 091
4.2風速預測方法 091
4.2.1極限學習機工作原理 091
4.2.2基於粒子群重力搜索混合算法的特征選擇和參數優化 093
4.3風速預測模型 096
4.4風速預測建模 097
4.4.1風速樣本數據 097
4.4.2風速分解結果 099
4.4.3輸入矩陣重構 102
4.4.4特征選擇與模型參數設置 104
4.5風速預測結果及分析 105
4.5.1單步預測結果 105
4.5.2多步預測結果 112
本章小結 114

第5章基於回溯搜索算法優化的DAWNN風速短期預測 115
5.1概述 117
5.2兩層風速預處理 118
5.3基於特征選擇和參數優化的IHBSA-DAWNN風速預測方法 120
5.3.1加權雙激勵小波函數小波神經網絡 120
5.3.2混合回溯搜索優化算法改進及其理論分析 122
5.3.3混合編碼差異性變異回溯搜索算法的性能測試 126
5.3.4基於特征選擇與參數優化的IHBSA-DAWNN風速預測方法 128
5.3.5基於TSD-IHBSA-DAWNN的風速預測 130
5.4風速預測建模 130
5.4.1風速樣本數據統計性描述 130
5.4.2風速樣本數據兩層分解 131
5.4.3構建DAWNN的輸入變量特征矩陣 134
5.4.4IHBSA-DAWNN風速預測模型 135
5.5風速預測結果、比較與分析 137
5.5.1案例1 137
5.5.2案例2 141
5.5.3案例3 142
本章小結 146

第6章多預測機風速預測組合模型 147
6.1概述 149
6.2多預測機風電預測組合模型原理 150
6.3自適應加權的風速組合預測模型 152
6.4案例分析 154
6.4.1風速數據樣本 154
6.4.2風速預測結果比較和分析 154
本章小結 157

第7章基於風電概率預測的微電網能源多目標優化調度 159
7.1概述 161
7.2風電概率預測模型 162
7.2.1基於CEEMDAN的風電分解方法 162
7.2.2基於高斯過程回歸的概率預測方法 163
7.2.3蝙蝠算法優化性能提升策略 165
7.2.4風電概率預測 169
7.2.5實證風電樣本數據及預處理 170
7.3微電網多目標優化調度建模 172
7.3.1構建微電網多目標優化模型 172
7.3.2微電網運行的約束條件 174
7.4基於IMOBA和模糊決策的微電網多目標優化調度模型 175
7.4.1多目標優化問題 175
7.4.2改進型多目標優化蝙蝠算法及其性能評價 177
7.4.3多目標優化多屬性決策 181
7.4.4基於IMOBA和模糊決策的微電網多目標優化調度模型 182
7.5案例分析 183
7.5.1以運行成本最小為目標的運行場景Ⅰ 185
7.5.2以污染物排放量最小為目標的運行場景Ⅱ 186
7.5.3以運行成本和污染物排放為優化目標的運行場景Ⅲ 187
7.5.4計算每小時Pareto最優前沿解的運行場景Ⅳ 188
7.5.5按照電池充放電特性曲線進行調度的運行場景Ⅴ 190
本章小結 192

第8章計及風電區間預測微電網繫統日前優化調度 193
8.1概述 195
8.2微電網優化調度目標函數 195
8.2.1光伏發電 196
8.2.2風電發電 197
8.2.3微型汽輪機發電 197
8.2.4燃料電池發電 198
8.2.5電池儲能繫統 198
8.2.6目標優化函數 199
8.2.7約束條件 200
8.3風電概率區間預測 200
8.3.1改進型水循環優化算法 201
8.3.2風電確定性預測 206
8.3.3風電預測誤差概率分布 207
8.3.4自適應模糊控制風電預測誤差置信度 208
8.3.5風電預測誤差概率區間 210
8.4基於負荷平移的需求響應 210
8.4.1需求側負荷分類 210
8.4.2需求側響應模型 211
8.5微電網多目標優化調度方法 214
8.5.1改進型多目標水循環優化算法 214
8.5.2基於IMOWCA的微電網調度多目標優化 217
8.6案例分析 218
8.6.1風電概率區間預測結果 220
8.6.2基於需求響應策略的負荷平移 223
8.6.3基於風電概率區間預測的微電網能源互補調度 224
本章小結 228

第9章結論與展望 229

參考文獻 232

在當前全球氣候變暖的背景下，傳統化石燃料所引發的環境問題日趨嚴重，發展可再生能源在世界範圍內獲得了廣泛共識。風能作為一種綠色能源，因其清潔、可再生等特點而受到各國的青睞，已成為新能源領域的開發重點。但風能的開發易受到地理環境和氣像等因素的影響，尤其是風能（風速）具有波動性大和隨機性強等特點，使得風機輸出的電能也具有波動幅度大、間歇性和隨機性強等特點，導致風電難以準確預測，這給相關電力繫統的安全運行和電能質量管理都帶來了巨大挑戰。
風電預測是風電並網利用的第一步，可為後續電網調度、機組組合及風電場運行管理提供依據。不論是主電網、配電網還是微電網，風電並網均需要經過風電預測、風機機組控制和電能調度，纔能更好地實現風電價值。如未接入風電時，電力繫統依據日負荷曲線實施電力繫統運行調度計劃；而當大規模接納風電時，風電的隨機性和間歇性等特性會影響電力繫統的穩定性。面對諸多影響因素，為了充分利用風電能源，提高電力繫統運行穩定性，降低電力運行成本和減小環境污染，除了需要加強風電場儲能容量、電力繫統調峰容量、電網結構及傳輸能力建設外，還需要從以下兩個方面采取措施：（1）建立風電功率確定性預測模型，提高風電短期預測精度，同時，也需要考慮風電不確定性，減少風電隨機波動性的不利影響；（2）建立風電不確定性的微電網能源優化調度模型，提高電力繫統在風電利用環節中對風電不確定的適應能力。
在上述需求和挑戰的背景下，本書圍繞風電功率預測建模以及基於風電不確定性預測的微電網優化調度策略進行一繫列研究。相關成果有助於豐富風電預測建模和微電網優化調度決策理論體繫，並為風電新能源發電領域提供有益的參考。
本書共九章，第1章為緒論；第2章將多核函數的思想引入LSSVM建模中，提出了基於徑向基核函數（RBF）、線性信號捕捉能力強的線性核函數（Linear）及善於全局特性信號捕捉的多項式核函數（Poly）構成的多核函數的MKLSSVM建模方法，用於風速預測建模；采用小波包技術分解樣本風速數據，降低風速數據的非穩定性，並提出改進型量子粒子群優化算法CGDQPSO優化MKLSSVM的核參數以增強MKLSSVM的預測性能。第3章利用聚類經驗模態分解方法分解風速樣本數據，得到不同頻率的本征模態函數，應用PACF計算各本征模態函數的相關性，重構LSSVM輸入矩陣，運用混合重力搜索算法（HGSA）識別輸入矩陣中的有效分量和優化選擇LSSVM的參數，將各本征模態函數的預測結果累加，從而得到所提模型最終的風速預測結果。第4章利用極限學習機進行短期風速預測時，應用粒子群重力搜索組合算法優化選取輸入層權重繫數和偏置參數，通過小波包分解技術將風速樣本數據分解成相對平穩的分量，從而降低極限學習機的回歸訓練難度，提高風速預測精度。第5章通過小波神經網絡（WNN）對各風速時間序列建模並進行預測，得到的風速預測結果經過風機的風速-功率曲線轉換得到風電場輸出風電的預測值。對於風速數據中存在數據冗餘、數據噪聲及數據異常等，應用二進制回溯搜索優化算法識別有效的風速分量，構建小波神經網絡WNN的風速預測模型；使用實數回溯搜索優化算法優化選擇WNN的輸入權重和輸出權重繫數，提高風速預測模型的預測精度。第6章提出了基於EEMD和VMD的兩階分解的風速預處理方法，實現對原始風速數據的全面處理和分析，創新性提出了基於二進制回溯搜索優化算法和改進回溯搜索優化算法的混合回溯搜索優化算法，同時實現特征選擇和參數優化。第7章建立基於風電概率預測的微電網多目標優化調度模型，對微電網繫統功能進行分析，構建風電等發電裝置的運行成本和污染物排放數學模型，利用改進多目標蝙蝠算法（IMOBA）優化微電網運行成本及污染物排放量，獲得分布良好的帕累托前沿解（POF），利用模糊集理論從POF解集中確定最優的折中解，基於One-POF-Per-Day和One-POF-Per-Hour調度方案的多個微電網運行場景驗證所建微電網優化調度模型。第8章在風電區間預測和對負荷分類的基礎上，選取供電時間具有一定靈活性的可平移負荷和儲能電池作為孤島運行的調頻資源，從供需平衡角度考慮，提出一種基於風電區間預測和負荷平移的孤島微電網日前能源優化調度策略。第9章為總結與展望。
編寫分工方面，孫駟洲負責第2～6章、第9章的撰寫以及全書的統稿，孟櫻負責第1、7、8章的撰寫工作。
本書的出版得到了安徽省重點研究與開發計劃項目（202004a05020014）、安徽省教育廳能源互聯網工程技術中心開放資金（2021EIRC04ZD,2021EIRC09YB）和安徽工程大學國家自然資金預研項目（Xjky2022041）的支持。
由於作者水平有限，不當之處敬請廣大讀者批評指正。作者的電子郵箱為：sszhou12345@163.com。

作者
2023年1月