本文選題：混沌理論　切入點：經(jīng)驗模態(tài)分解　出處：《湖南大學》2016年碩士論文　論文類型：學位論文

【摘要】：風電功率具有波動性、間歇性和隨機性等特點,大規(guī)模風電的接入嚴重影響電網(wǎng)運行的安全性、穩(wěn)定性和經(jīng)濟性。實踐證明,高精度的風電功率預測能夠有力緩解大規(guī)模風電并網(wǎng)產(chǎn)生的不利影響,尤其是短期風電功率的精確預測,對于電力調(diào)度部門安排調(diào)度計劃,保證電能質(zhì)量和電力系統(tǒng)安全經(jīng)濟運行有重要作用。首先,選擇混沌理論來挖掘風電功率時間序列的特性,并利用相空間重構理論對其進行分析。將重構相空間相量作為風電功率時間序列預測模型的訓練樣本,為后面建立預測模型以實現(xiàn)對風電功率混沌系統(tǒng)相空間運動軌跡預測提供支持。然后,提出了一種基于混沌時間序列的改進型BP神經(jīng)網(wǎng)絡。該模型利用綜合法對基本BP神經(jīng)網(wǎng)絡的不足進行改進：在最速下降法中同時引入自適應學習速率和動量項對其本身進行改進；利用遺傳算法從全局開始搜索,找到權值系數(shù)最優(yōu)解所在區(qū)域的某一解；再利用改進的最速下降法去調(diào)整權值系數(shù),經(jīng)過少量樣本訓練的訓練,就能夠得到權值系數(shù)的最優(yōu)解。此外,將模型的輸入維數(shù)取為相空間最小嵌入維數(shù),從而減少了建模的盲目性。實例仿真表明,本文提出的改進型BP神經(jīng)網(wǎng)絡收斂速度快,預測精度高,不易陷入局部極小值點。其次,提出了一種基于混沌時間序列的自適應遺傳算法-Volterra神經(jīng)網(wǎng)絡模型。該預測模型是基于自適應-Volterra級數(shù)和三層BP神經(jīng)網(wǎng)絡的等價性建立的,其截斷項數(shù)取為重構相空間的最小嵌入維數(shù),大大提高了預測模型的自適應性。自適應遺傳算法-Volterra神經(jīng)網(wǎng)絡模型將自適應-Volterra級數(shù)精準建模能力、改進的BP算法訓練學習能力、遺傳算法全局搜索能力結合起來,實現(xiàn)了對風電功率混沌系統(tǒng)相空間運動軌跡的精確預測,應用于實際短期風電功率預測中,預測精度顯著提高。最后,采用經(jīng)驗模態(tài)分解降低風電功率數(shù)據(jù)的非平穩(wěn)性,分別建立了經(jīng)驗模態(tài)分解-遺傳算法-Volterra神經(jīng)網(wǎng)絡和經(jīng)驗模態(tài)分解-改進型BP神經(jīng)網(wǎng)絡模型兩種組合預測模型。將兩種組合預測模型應用于實際短期風電功率預測的仿真實驗中,結果表明,利用經(jīng)驗模態(tài)分解可以有效降低風電功率數(shù)據(jù)的非平穩(wěn)性,更好地挖掘數(shù)據(jù)內(nèi)部蘊含的規(guī)律,與單一預測方法相比,預測性能進一步提升。結果同時表明,本文提出的經(jīng)驗模態(tài)分解-遺傳算法-Volterra神經(jīng)網(wǎng)絡組合預測模型,精度高,性能優(yōu)越,應用于短期風電功率混沌時間序列的預測中可取得較好效果。
[Abstract]:Wind power has the characteristics of volatility, intermittence and randomness. The access of large-scale wind power seriously affects the security, stability and economy of power grid operation. High-precision wind power prediction can effectively mitigate the adverse effects of large-scale wind power grid connection, especially the accurate short-term wind power prediction. It is important to ensure the power quality and the safe and economical operation of the power system. Firstly, the chaotic theory is chosen to excavate the characteristics of the wind power time series. The phase space phasor is used as the training sample of wind power time series prediction model. A prediction model is established to predict the trajectory of phase space motion in wind power chaotic system. Then, In this paper, an improved BP neural network based on chaotic time series is proposed. The model uses synthesis method to improve the shortcomings of basic BP neural network: adaptive learning rate and momentum pair are introduced into the steepest descent method at the same time. Improve itself; The genetic algorithm is used to search the whole world to find a certain solution in the region where the optimal solution of the weight coefficient is located, and then to adjust the weight coefficient by using the improved steepest descent method, which is trained by a small number of samples. In addition, the input dimension of the model is taken as the minimum embedded dimension in phase space, thus reducing the blindness of modeling. The simulation results show that the proposed improved BP neural network converges quickly. The prediction accuracy is high and it is not easy to fall into the local minimum. Secondly, An adaptive genetic algorithm-Volterra neural network model based on chaotic time series is proposed, which is based on the equivalence of adaptive Volterra series and three-layer BP neural network. The truncation term is taken as the minimum embedded dimension of the reconstructed phase space, which greatly improves the self-adaptability of the prediction model. The adaptive genetic algorithm -Volterra neural network model can accurately model the adaptive -Volterra series, and the improved BP algorithm can train the learning ability. Combining the global searching ability of genetic algorithm, the accurate prediction of phase space motion trajectory of wind power chaotic system is realized, which is applied to the actual short-term wind power prediction, and the prediction accuracy is improved significantly. The empirical mode decomposition (EMD) is used to reduce the nonstationarity of wind power data. Two kinds of combined forecasting models, empirical mode decomposition-genetic algorithm-Volterra neural network and empirical mode decomposition-improved BP neural network, are established respectively. The two combined forecasting models are applied to the simulation experiment of actual short-term wind power prediction. The results show that the empirical mode decomposition can effectively reduce the non-stationarity of wind power data, and better mine the laws contained in the data. Compared with the single prediction method, the prediction can be further enhanced. The combined prediction model of empirical mode decomposition-genetic algorithm-Volterra neural network presented in this paper has high precision and superior performance. It can be applied to the prediction of short-term wind power chaotic time series with good results.
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM614

【相似文獻】

相關期刊論文 前10條

1 劉元峰,趙玫;混沌時間序列的一種降噪算法[J];機械科學與技術;2003年04期

2 孫百瑜,高俊山;混沌時間序列性態(tài)的應用改進[J];電機與控制學報;2005年04期

3 任曉林,胡光銳,徐雄;混沌時間序列局域線性預測方法[J];上海交通大學學報;1999年01期

4 張云龍,潘泉,張洪才;裝備完好率混沌時間序列數(shù)據(jù)控制方法研究[J];彈箭與制導學報;2005年01期

5 溫權,張勇傳,程時杰;辨識混沌時間序列中的確定性[J];水電能源科學;2001年03期

6 朱春梅;徐小力;張建民;;基于混沌時間序列的旋轉(zhuǎn)機械非平穩(wěn)狀態(tài)預測方法研究[J];機械設計與制造;2006年12期

7 葉中行,龍如軍;混沌時間序列的區(qū)間預測[J];上海交通大學學報;1997年02期

8 劉遵雄;劉建輝;;基于最小最大概率回歸的混沌時間序列全局預測[J];華東交通大學學報;2007年01期

9 陳南祥;魏杰;;混沌時間序列法在地下水位預測中的應用[J];水利與建筑工程學報;2011年06期

10 陸建山;王昌明;張愛軍;孫罡;;基于混沌時間序列的多步預測方法研究[J];測試技術學報;2012年01期

相關會議論文 前7條

1 張森;肖先賜;;基于連分式的混沌時間序列全局預測新方法[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

2 黃志全;王安明;王思敬;;邊坡變形預測的混沌時間序列全局近似方法[A];第一屆全國水工巖石力學學術會議論文集[C];2005年

3 李鶴;;基于徑向基神經(jīng)網(wǎng)絡的混沌時間序列嵌入維數(shù)識別[A];第二屆全國動力學與控制青年學者研討會論文摘要集[C];2008年

4 黃志全;劉漢東;王安明;;基于混沌時間序列的邊坡變形預測方法[A];和諧地球上的水工巖石力學——第三屆全國水工巖石力學學術會議論文集[C];2010年

5 趙志宏;楊紹普;;基于SVM的混沌時間序列分析[A];第八屆全國動力學與控制學術會議論文集[C];2008年

6 張鵬;王智偉;王金東;楊松山;;基于混沌時間序列的往復機械狀態(tài)預測研究[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

7 呂瑞華;張世英;;基于ANN-GA的混沌時間序列預測方法研究[A];2004年中國管理科學學術會議論文集[C];2004年

相關博士學位論文 前7條

1 杜寶祥;混沌時間序列的預測與改進方法研究[D];黑龍江大學;2014年

2 卜云;混沌時間序列自適應預測算法研究[D];電子科技大學;2010年

3 席劍輝;混沌時間序列的長期預測方法研究[D];大連理工大學;2005年

4 吳華穩(wěn);混沌時間序列分析及在鐵路貨運量預測中的應用研究[D];中國鐵道科學研究院;2014年

5 趙小梅;混沌預測與混沌優(yōu)化理論與算法研究[D];浙江大學;2002年

6 姚天亮;混沌時間序列的Lyapunov指數(shù)和噪聲水平估計及其在湍流射流中的應用[D];華東理工大學;2013年

7 汪金菊;貝葉斯模型及其在混沌序列分析中的應用研究[D];合肥工業(yè)大學;2008年

相關碩士學位論文 前10條

1 祁穩(wěn)杰;混沌時間序列自適應預測方法研究[D];天津理工大學;2015年

2 李晨龍;基于自回歸模型的混沌時間序列預測與應用[D];重慶理工大學;2015年

3 邊繼飛;基于混沌時間序列的風電場短期風速預測研究[D];華北電力大學;2015年

4 呂倩;基于混沌時間序列的高速鐵路環(huán)境成本估算研究[D];石家莊鐵道大學;2016年

5 張丙江;基于混沌時間序列的短期風電功率組合預測方法研究[D];湖南大學;2016年

6 劉文博;混沌時間序列分析與計算方法及應用研究[D];大連理工大學;2008年

7 袁昌茂;基于混沌時間序列的變形分析和預測[D];桂林理工大學;2010年

8 梁景波;混沌時間序列一種長期預測方法研究[D];遼寧科技大學;2012年

9 張亞琦;基于改進回聲狀態(tài)網(wǎng)絡的混沌時間序列多步預測[D];蘭州大學;2010年

10 霍思宇;混沌時間序列的預測方法研究[D];電子科技大學;2010年

，

本文編號：1624160