本文關(guān)鍵詞：基于灰度聯(lián)合算法的風電功率預測研究

  更多相關(guān)文章： 風電場出力預測 超短期功率預測 灰色關(guān)聯(lián)度 支持向量機 聯(lián)合預測模型

【摘要】：風力發(fā)電的不確定性和波動性給風電上網(wǎng)、與傳統(tǒng)發(fā)電競爭帶來了很大困難,風能的存儲與風力發(fā)電的預測是兩種有效的解決方案。因為其發(fā)電主要取決于風的因素,風的大小,方向等,風電功率可以通過對風力進行公式推算得出,因此,本文主要采取間接預測法,通過預測風力大小來預測風電場功率輸出情況。風力發(fā)電預測目前主要依靠氣象數(shù)據(jù),本文提出了基于時間序列的歷史風速數(shù)據(jù)的超短期預測方法,將我國某風力發(fā)電場作為研究對象,綜合運用遺傳算法、最小二乘支持向量機、灰色算法等多種算法,進行了基于歷史數(shù)據(jù)的風力發(fā)電超短期功率預測,建立了遺傳算法-最小二乘支持向量機模型(Genetic Algorithm-Least Squares Support Vector Machine,GA-LSSVM)和灰度算法-最小二乘支持向量機模型(Grey Model and Least Squares Support Vector Machine,GM-LSSVM)分別進行預測,這個過程得到了比較好的結(jié)果,分別比傳統(tǒng)的神經(jīng)網(wǎng)絡優(yōu)化算法提高了5%~8%。本文中,根據(jù)風電場出力不確定性高和波動性大的特點,將超短期風力預測看做是一個信息量不明確的灰度系統(tǒng),運用灰度算法對其進行優(yōu)化預測,結(jié)果與測試信號進行相減,得到殘差,再對殘差進行LSSVM預測,結(jié)果與GM預測結(jié)果相加,最后再輸出預測結(jié)果。從而發(fā)明了GM-LSSVM組合算法。仿真結(jié)果表明,該方法與RBFNN和GA-LSSVM相比,精度得到提高。為了克服單一算法在不同風場,不同氣候條件下適應性的問題,實現(xiàn)風電功率高效、平穩(wěn)、準確的預測,充分發(fā)揮GA-LSSVM和GM-LSSVM的在風電場出力預測中的優(yōu)勢,提出了運用灰色關(guān)聯(lián)度結(jié)合以上兩種算法的組合算法。其MAPE較GA-LSSVM和GM-LSSVM降低了0.45%、0.2%左右。根據(jù)實驗結(jié)果可以得到結(jié)論,灰度關(guān)聯(lián)度聯(lián)合算法可以有效的提高整體算法的適應度,并且精度有所提高,所以該方法可有有效的解決風電場出力預測算法的魯棒性問題,提高電網(wǎng)運行的穩(wěn)定性。研究結(jié)果表明灰度關(guān)聯(lián)度聯(lián)合算法,應用于風電場出力預測是可行的。
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM614

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 魏峻;;一種有效的支持向量機參數(shù)優(yōu)化算法[J];計算機技術(shù)與發(fā)展;2015年12期

2 邱世崇;陸百川;馬慶祿;鄒巍;張勤;;基于時空特性分析和數(shù)據(jù)融合的交通流預測[J];武漢理工大學學報(信息與管理工程版);2015年02期

3 葛志鵬;李銳;張健;胡永愷;展鳳萍;楊彬彬;;基于時間序列與GSVMR模型的短時交通量組合預測[J];長安大學學報(自然科學版);2015年S1期

4 尹東陽;盛義發(fā);李永勝;謝曲天;;基于EMD和RBFNN的短期風速預測[J];電氣技術(shù);2014年06期

5 王賀;胡志堅;張翌暉;李晨;楊楠;王戰(zhàn)勝;;基于聚類經(jīng)驗模態(tài)分解和最小二乘支持向量機的短期風速組合預測[J];電工技術(shù)學報;2014年04期

6 張彤;張敏芳;;基于灰色理論的設備狀態(tài)趨勢預測建模及應用研究[J];軍械工程學院學報;2014年01期

7 孟安波;陳育成;;基于虛擬預測與小波包變換的風電功率組合預測[J];電力系統(tǒng)保護與控制;2014年03期

8 鄔開俊;王鐵君;;基于RBF神經(jīng)網(wǎng)絡優(yōu)化的混沌時間序列預測[J];計算機工程;2013年10期

9 趙輝;李斌;李彪;岳有軍;;基于小波變換的ARMA-LSSVM短期風速預測[J];中國電力;2012年04期

10 杜莉;張建軍;;神經(jīng)網(wǎng)絡在電力負荷預測中的應用研究[J];計算機仿真;2011年10期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 楊志凌;風電場功率短期預測方法優(yōu)化的研究[D];華北電力大學（北京）;2011年

2 吳青;基于優(yōu)化理論的支持向量機學習算法研究[D];西安電子科技大學;2009年

3 韓爽;風電場功率短期預測方法研究[D];華北電力大學（北京）;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 樸金姬;神經(jīng)網(wǎng)絡算法在風電場功率預測中的應用研究[D];華北電力大學（北京）;2011年

2 丁朋;凸優(yōu)化在大規(guī)模機器學習中的應用[D];華東理工大學;2011年

3 史潔;基于支持向量機的風電場功率短期預測方法研究[D];華北電力大學（北京）;2009年

，

本文編號：1304143