本文關(guān)鍵詞： 短期風(fēng)電功率預(yù)測(cè) 正規(guī)化 支持向量機(jī)回歸 高斯過程回歸 組合預(yù)測(cè)方法 風(fēng)電預(yù)測(cè)系統(tǒng)架構(gòu)　出處：《南京信息工程大學(xué)》2016年碩士論文　論文類型：學(xué)位論文

【摘要】：風(fēng)的隨機(jī)性、間歇性和波動(dòng)性決定了風(fēng)力發(fā)電的隨機(jī)性和波動(dòng)性。大容量的風(fēng)力發(fā)電接入電網(wǎng),若調(diào)度不當(dāng),對(duì)電力系統(tǒng)的安全、穩(wěn)定性有很大影響。準(zhǔn)確的風(fēng)電功率預(yù)測(cè),是保證電網(wǎng)穩(wěn)定運(yùn)行的關(guān)鍵因素之一。短期風(fēng)電功率預(yù)測(cè)是指對(duì)未來0～72 h風(fēng)力發(fā)電量的預(yù)測(cè),對(duì)電力系統(tǒng)的調(diào)度、生產(chǎn)和維護(hù)有十分重要的意義�；诖�,本文主要從風(fēng)速等氣象數(shù)據(jù)的預(yù)處理、單一方法的功率預(yù)測(cè)、組合方法的功率預(yù)測(cè)以及對(duì)功率預(yù)測(cè)的不確定性的量化等方面,對(duì)短期風(fēng)電功率預(yù)測(cè)方法進(jìn)行了深入的研究。首先,用高斯擬合、傅里葉擬合以及最小二乘支持向量機(jī)(LSSVM),建立風(fēng)速和功率的之間的轉(zhuǎn)換關(guān)系。針對(duì)過擬合問題,通過增加訓(xùn)練數(shù)據(jù)的數(shù)量、去噪聲以及正規(guī)化處理等手段,有效地規(guī)避了過擬合現(xiàn)象的發(fā)生；針對(duì)基函數(shù)的選擇問題,引入了核函數(shù),解決了較難或無法選擇基函數(shù)的問題。其次,由于基于核函數(shù)的嶺回歸不具有稀疏性,引入了具有稀疏性質(zhì)的支持向量機(jī)回歸。同時(shí),為了更準(zhǔn)確的描述風(fēng)速和功率之間的對(duì)應(yīng)關(guān)系,根據(jù)風(fēng)速的Weibull分布特征和風(fēng)速功率曲線,按照風(fēng)速的大小,將風(fēng)速劃分成了高、中、低三個(gè)風(fēng)速段并結(jié)合各個(gè)風(fēng)速段的特征,提出了基于高斯模型和LSSVM的短期風(fēng)電功率組合預(yù)測(cè)方法。根據(jù)風(fēng)速功率散點(diǎn)圖的特征可知,同一風(fēng)速在不同時(shí)刻對(duì)應(yīng)的功率分布在一個(gè)區(qū)間內(nèi),而非一個(gè)固定的值,于是引入高斯過程回歸(GPR)對(duì)風(fēng)電功率的分布進(jìn)行預(yù)測(cè)。針對(duì)GPR的不穩(wěn)定性和計(jì)算量大的特點(diǎn),引入了Bagging和訓(xùn)練數(shù)據(jù)完全條件獨(dú)立下的近似方法(FITC),提高了模型的穩(wěn)定性并減小了計(jì)算量。在貝葉斯決策(BCM)的基礎(chǔ)上,提出了一種新的權(quán)重組合策略,對(duì)Bagging聚合出的多個(gè)模型進(jìn)行組合,有效地提高了算法的精度。以上運(yùn)用監(jiān)督學(xué)習(xí)方法和統(tǒng)計(jì)方法對(duì)風(fēng)速和功率之間的關(guān)系進(jìn)行了較深入的探討,結(jié)合實(shí)驗(yàn)可得出以下結(jié)論,組合預(yù)測(cè)方法可以消除單一方法的一些不足,有效地提高功率預(yù)測(cè)的精度；GPR方法可以輸出功率預(yù)測(cè)值的分布,它既可以給出較精確的預(yù)測(cè)值,又可以對(duì)預(yù)測(cè)值的不確定性進(jìn)行準(zhǔn)確的量化。最后,將上述研究的各類功率預(yù)測(cè)算法集成到了功率預(yù)測(cè)系統(tǒng)中,并在實(shí)際生產(chǎn)環(huán)境中驗(yàn)證了算法的有效性。同時(shí),在現(xiàn)有的風(fēng)電功率預(yù)測(cè)系統(tǒng)的基礎(chǔ)上,提出了靈活性強(qiáng)、擴(kuò)展性好的風(fēng)電功率預(yù)測(cè)系統(tǒng)以及風(fēng)電功率預(yù)測(cè)平臺(tái)架構(gòu)。
[Abstract]:Wind randomness, intermittence and volatility determine the randomness and volatility of wind power generation. Accurate wind power prediction is one of the key factors to ensure the stable operation of power grid. Short-term wind power prediction is the prediction of wind power generation in the future 072 hours. It is very important to dispatch, production and maintenance of power system. Based on this, this paper mainly discusses the preprocessing of meteorological data, such as wind speed, and the single method of power prediction. In the aspects of power prediction and uncertainty quantification of power prediction, the short-term wind power prediction method is deeply studied. Firstly, Gao Si fitting is used. Fourier fitting and least squares support vector machine (LSSVMN) are used to establish the conversion relationship between wind speed and power. To solve the problem of over-fitting, the amount of training data is increased. The phenomenon of over-fitting is effectively avoided by means of noise removal and regularization. The kernel function is introduced to solve the problem that it is difficult or impossible to select the basis function. Secondly, the ridge regression based on kernel function is not sparse. Support vector machine regression with sparse property is introduced. In order to describe the relationship between wind speed and power more accurately, according to the Weibull distribution characteristics of wind speed and wind speed power curve. According to the size of the wind speed, the wind speed is divided into high, middle and low wind speed segments and combined with the characteristics of each wind speed section. A short-term wind power combination prediction method based on Gao Si model and LSSVM is proposed. According to the characteristics of wind speed power scatter plot, the power distribution corresponding to the same wind speed at different times is in a range. Instead of a fixed value, Gao Si process regression is introduced to predict the distribution of wind power. In this paper, we introduce the approximate method of Bagging and the complete conditional independence of the training data to improve the stability of the model and reduce the computational complexity, based on the Bayesian decision making. A new weight combination strategy is proposed to combine several models aggregated by Bagging. The precision of the algorithm is improved effectively. The relationship between wind speed and power is discussed in depth by using supervised learning method and statistical method, and the following conclusions can be drawn from the experiments. The combined prediction method can eliminate some shortcomings of the single method and effectively improve the accuracy of power prediction. GPR method can output the distribution of power prediction value, it can not only give more accurate prediction value, but also can accurately quantify the uncertainty of the prediction value. Finally. The power prediction algorithms mentioned above are integrated into the power prediction system, and the effectiveness of the algorithm is verified in the actual production environment. At the same time, based on the existing wind power prediction system. A flexible and extensible wind power prediction system and a platform for wind power prediction are proposed.
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM614

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孟建良,王曉華,龐春江,王建新;全局時(shí)變權(quán)組合預(yù)測(cè)方法[J];計(jì)算機(jī)工程與應(yīng)用;2002年10期

2 吉培榮,張玉文,趙青;組合預(yù)測(cè)方法在電力系統(tǒng)負(fù)荷預(yù)測(cè)中的應(yīng)用[J];三峽大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年05期

3 胡驥;;鐵路外貿(mào)貨運(yùn)量組合預(yù)測(cè)方法的研究[J];鐵道運(yùn)輸與經(jīng)濟(jì);2006年05期

4 鐘秉林;;一種新的組合預(yù)測(cè)方法及其應(yīng)用[J];東南大學(xué)學(xué)報(bào);1989年02期

5 鐘波,肖智;資產(chǎn)未來收益的一種最優(yōu)組合預(yù)測(cè)方法[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);1998年04期

6 楊尚瑾;董超;;電力系統(tǒng)長(zhǎng)期負(fù)荷的組合預(yù)測(cè)方法研究[J];中國電力教育;2009年S1期

7 代海波;單銳;劉文;;組合預(yù)測(cè)方法中權(quán)系數(shù)的應(yīng)用研究[J];科學(xué)技術(shù)與工程;2012年32期

8 何焱;黃靜;;電力中長(zhǎng)期負(fù)荷模糊優(yōu)選組合預(yù)測(cè)方法的研究[J];四川電力技術(shù);2011年05期

9 夏新運(yùn);田麗;李玲純;;變結(jié)構(gòu)組合預(yù)測(cè)方法在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J];自動(dòng)化與儀器儀表;2009年06期

10 董鵬;冷靜;羅朝暉;;基于支持向量機(jī)的艦船建造費(fèi)組合預(yù)測(cè)方法研究[J];造船技術(shù);2011年01期

相關(guān)會(huì)議論文 前7條

1 孔繁亮;張國志;;鞅差序列的一種組合預(yù)測(cè)方法及其應(yīng)用[A];中國現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第12屆學(xué)術(shù)年會(huì)論文集[C];2005年

2 陳志航;程乾生;;基于隱馬爾科夫模型的組合預(yù)測(cè)方法[A];第九屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-99）論文集[C];1999年

3 李世平;孫浚清;;儀器精度組合預(yù)測(cè)方法研究[A];2008中國儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅲ）[C];2008年

4 唐小我;;最優(yōu)組合預(yù)測(cè)方法及其應(yīng)用[A];全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

5 李秀蘭;;組合預(yù)測(cè)方法的研究和應(yīng)用——郵發(fā)期刊價(jià)格預(yù)測(cè)[A];中國現(xiàn)場(chǎng)統(tǒng)計(jì)研究會(huì)第九屆學(xué)術(shù)年會(huì)論文集[C];1999年

6 王周敬;李武;賀建勛;;變權(quán)重組合預(yù)測(cè)方法在貨運(yùn)量預(yù)測(cè)中的應(yīng)用[A];1997中國控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

7 李秀蘭;王宏鑫;;均勻設(shè)計(jì)——灰色聯(lián)合預(yù)測(cè)及其應(yīng)用——郵發(fā)期刊價(jià)格預(yù)測(cè)[A];管理科學(xué)與系統(tǒng)科學(xué)進(jìn)展——全國青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第3卷）[C];1995年

相關(guān)博士學(xué)位論文 前2條

1 李彩虹;兩類組合預(yù)測(cè)方法的研究及應(yīng)用[D];蘭州大學(xué);2012年

2 于振明;一類耐用消費(fèi)品的需求預(yù)測(cè)方法及應(yīng)用[D];東北大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 林思銘;組合預(yù)測(cè)方法在建筑能耗預(yù)測(cè)中的應(yīng)用[D];福州大學(xué);2014年

2 劉婷;山東省物流需求組合預(yù)測(cè)方法及其應(yīng)用研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2016年

3 郭曉杰;監(jiān)督學(xué)習(xí)方法在短期風(fēng)電功率預(yù)測(cè)中的應(yīng)用研究[D];南京信息工程大學(xué);2016年

4 李曉曦;風(fēng)電功率組合預(yù)測(cè)方法及其應(yīng)用研究[D];華北電力大學(xué)(北京);2016年

5 張景廣;基于基因表達(dá)式編程的組合預(yù)測(cè)方法研究[D];華中師范大學(xué);2011年

6 朱報(bào)春;基于模糊邏輯系統(tǒng)的組合預(yù)測(cè)方法及應(yīng)用[D];河海大學(xué);2001年

7 王鳳飛;組合預(yù)測(cè)方法簡(jiǎn)介及其實(shí)證分析[D];山西大學(xué);2011年

8 閆海霞;灰色組合預(yù)測(cè)方法在糧食產(chǎn)量中的應(yīng)用[D];西安理工大學(xué);2009年

9 段妮妮;基于組合預(yù)測(cè)方法的趨勢(shì)預(yù)測(cè)研究與應(yīng)用[D];西華大學(xué);2009年

10 張進(jìn);不同精度準(zhǔn)則下的區(qū)間型組合預(yù)測(cè)方法研究[D];安徽大學(xué);2010年

，

本文編號(hào)：1461295