本文選題：電力系統(tǒng) + 風(fēng)速預(yù)測　； 參考：《深圳大學(xué)》2017年碩士論文

【摘要】：在全球能源危機及化石燃料污染的背景下,能源戰(zhàn)略的重心逐漸著力在新能源的開發(fā)和應(yīng)用方面。風(fēng)能作為一種無污染、可再生的能源,具有資源豐富、可大規(guī)模開發(fā)、技術(shù)手段成熟等優(yōu)點,是眾多新能源中非常理想的綠色之選。目前,全球各國也逐漸放開了風(fēng)電開發(fā)的政策,加大了對風(fēng)能資源利用的投入。由于風(fēng)能的不確定性、間歇性、隨機性較強等特點嚴(yán)重影響了電網(wǎng)的穩(wěn)定性,需要更加快速和精確的風(fēng)速預(yù)測方法來提高風(fēng)電并網(wǎng)的穩(wěn)定性,減弱風(fēng)電并網(wǎng)對整個電力系統(tǒng)的影響。因此研究風(fēng)電場的風(fēng)速預(yù)測對大規(guī)模開發(fā)風(fēng)能資源具有非常重要的意義。設(shè)計了一種基于深度信念網(wǎng)絡(luò)(Deep Belief Network)映射的深層風(fēng)速預(yù)測網(wǎng)絡(luò)框架。該框架主要由多個不同的受限玻爾茲曼機(RBM)疊加組成,采用無監(jiān)督貪婪逐層訓(xùn)練的方法獲得深度信念網(wǎng)絡(luò)的框架參數(shù)初始值,然后進行有監(jiān)督的微調(diào)達到預(yù)測網(wǎng)絡(luò)誤差最小化。該預(yù)測框架可以有效地挖掘和提取時間序列中潛在的有用特征,避免預(yù)測模型陷入小范圍最優(yōu)解。提出了基于小波變換(Wavelet Transform)和深度信念網(wǎng)絡(luò)的風(fēng)速預(yù)測方法。先利用小波變換將風(fēng)速序列分解成不同頻率的子序列,然后針對分解之后的子序列分別建立不同的子DBN模型,子模型DBN的輸入對應(yīng)風(fēng)電場風(fēng)速分解之后的子頻率序列,子DBN模型的輸出對應(yīng)子頻率序列的預(yù)測值。最后將子DBN模型的預(yù)測值進行序列重構(gòu)得出完整的風(fēng)速預(yù)測結(jié)果。針對提出的基于小波變換和深度信念網(wǎng)絡(luò)的風(fēng)速預(yù)測方法進行仿真與分析�；贛ATLAB平臺編寫了相應(yīng)的仿真程序、并實例進行了仿真。通過與自回歸滑動平均法(ARMA)、BP神經(jīng)網(wǎng)絡(luò)法(BPNN)、Morlet小波神經(jīng)網(wǎng)絡(luò)法(MWNN)三種典型的時間序列預(yù)測方法對比,驗證了本文方法的有效性�；谛〔ㄗ儞Q和深度信念網(wǎng)絡(luò)的預(yù)測方法可以更好地學(xué)習(xí)高層次的非線性和非平穩(wěn)特征的時間風(fēng)速序列特征。仿真結(jié)果表明:本文提出的方法比典型的淺層預(yù)測方法預(yù)測精度更高、效果更好;在多次獨立運行中誤差指標(biāo)波動性較小、預(yù)測模型具有較高的穩(wěn)定性;在滾動多步預(yù)測中也具有良好的預(yù)測性能。
[Abstract]:Under the background of global energy crisis and fossil fuel pollution, the focus of energy strategy is gradually focusing on the development and application of new energy. Wind energy, as a kind of non-pollution and renewable energy, has the advantages of rich resources, large scale development, mature technical means and so on. It is a very ideal green choice among many new energy sources. At present, countries around the world have gradually opened up the policy of wind power development, increasing the use of wind energy resources. Because of the uncertainty, intermittent and strong randomness of wind energy, the stability of power grid is seriously affected, and more rapid and accurate wind speed prediction method is needed to improve the stability of wind power grid. The influence of wind power grid connection on the whole power system is weakened. Therefore, the study of wind speed prediction in wind farms is of great significance to the large-scale development of wind energy resources. A deep wind speed prediction network framework based on deep Belief network mapping is designed. The framework is composed of several different constrained Boltzmann machines (RBM). The initial values of the frame parameters of the deep belief network are obtained by using the unsupervised greedy training method, and then the prediction network error is minimized by supervised fine-tuning. The prediction framework can effectively mine and extract potential useful features in time series and avoid the prediction model falling into a small range of optimal solutions. A method of wind speed prediction based on wavelet transform and depth belief network is proposed. First, the wind speed series is decomposed into sub-sequences with different frequencies by wavelet transform, then different sub-DBN models are established for the decomposed sub-sequences. The input of the sub-model DBN corresponds to the sub-frequency series after wind speed decomposition in the wind farm. The output of the subDBN model corresponds to the predicted value of the subfrequency sequence. Finally, the predicted values of the sub-DBN model are reconstructed to obtain the complete wind speed prediction results. The wind speed prediction method based on wavelet transform and depth belief network is simulated and analyzed. The corresponding simulation program based on MATLAB platform is written, and an example is given. The effectiveness of the proposed method is verified by comparison with three typical time series prediction methods, the autoregressive moving average method and the BP neural network method, BPNNNs and Morlet wavelet neural networks. The prediction method based on wavelet transform and depth belief network can better learn the features of time and wind speed series of high level nonlinear and non-stationary features. The simulation results show that the method proposed in this paper has higher prediction accuracy and better effect than the typical shallow prediction method, and the error index volatility is lower and the prediction model has higher stability in multiple independent operations. It also has good prediction performance in rolling multi-step prediction.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TM614

【相似文獻】

相關(guān)期刊論文 前10條

1 林克正,李殿璞;基于小波變換的去噪方法[J];哈爾濱工程大學(xué)學(xué)報;2000年04期

2 李正東,王曉菊,何武良,鄭曉東,成家源,彭文,裴春蘭,宋琛;利用小波變換進行目標(biāo)識別的方法研究[J];光學(xué)精密工程;2001年03期

3 劉鎮(zhèn)清,黃瑞菊;小波變換及其應(yīng)用[J];無損檢測;2001年04期

4 苗常青;汪渤;鄒益民;付夢印;;一種基于小波變換的電視圖像分割方法[J];彈箭與制導(dǎo)學(xué)報;2005年S1期

5 丁潤濤,程凌宇;應(yīng)用新抽樣?xùn)鸥竦膬煞N小波變換圖像去噪方法[J];天津大學(xué)學(xué)報;2005年01期

6 胡靜濤;郭前進;;基于線調(diào)頻小波變換的旋轉(zhuǎn)機械故障診斷[J];儀器儀表學(xué)報;2006年S1期

7 陳鐵;何瓊;;小波變換及其在時頻分析中的應(yīng)用[J];中國水運(學(xué)術(shù)版);2006年05期

8 余曉潔;;小波變換在心電圖R波檢測中的應(yīng)用[J];中國傳媒大學(xué)學(xué)報(自然科學(xué)版);2007年01期

9 陳朝霞;;小波變換在信號突變檢測中的應(yīng)用[J];佳木斯大學(xué)學(xué)報(自然科學(xué)版);2007年06期

10 章瑋瑋;肖軍;王文鋒;;小波變換去噪法在動態(tài)測試中的應(yīng)用[J];四川兵工學(xué)報;2009年11期

相關(guān)會議論文 前10條

1 曹思遠;牟永光;;小波變換與信號分解[A];1992年中國地球物理學(xué)會第八屆學(xué)術(shù)年會論文集[C];1992年

2 張霖;錢敏;葛軍;;幾種典型環(huán)節(jié)的小波變換研究[A];1996年中國控制會議論文集[C];1996年

3 鮑文;祝豪;劉金福;;基于多尺度小波變換的電廠數(shù)據(jù)壓縮方法研究[A];2004電站自動化信息化學(xué)術(shù)技術(shù)交流會議論文集[C];2004年

4 龔妙昆;萬福永;;用統(tǒng)計方法和小波變換確定心電圖數(shù)據(jù)中的R波[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

5 趙聰慧;張淑娟;;小波變換在農(nóng)產(chǎn)品無損檢測中的應(yīng)用研究[A];紀(jì)念中國農(nóng)業(yè)工程學(xué)會成立30周年暨中國農(nóng)業(yè)工程學(xué)會2009年學(xué)術(shù)年會（CSAE 2009）論文集[C];2009年

6 朱光明;高靜懷;王玉貴;;小波變換及其在一維濾波中的應(yīng)用[A];1992年中國地球物理學(xué)會第八屆學(xué)術(shù)年會論文集[C];1992年

7 金剛石;趙毅;季云松;;基于小波變換的紅外圖像濾波[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

8 劉衛(wèi)東;李樂;張靜遠;;一種基于小波變換的水聲成像實驗研究[A];2008’促進中西部發(fā)展聲學(xué)學(xué)術(shù)交流會論文集[C];2008年

9 趙麗紅;蔡玉;徐心和;;基于小波變換和多分類器融合的人臉識別[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

10 魯昌華;汪濟洲;;小波變換在通用DSP上的快速實現(xiàn)[A];第十七屆全國測控計量儀器儀表學(xué)術(shù)年會（MCMI'2007）論文集（上冊）[C];2007年

相關(guān)重要報紙文章 前1條

1 吳玉田殷學(xué)平;中藥質(zhì)量控制又添新武器——小波變換近紅外光譜分析系統(tǒng)[N];中國醫(yī)藥報;2004年

相關(guān)博士學(xué)位論文 前10條

1 王利琴;心電信號波形檢測與心律失常分類研究[D];河北工業(yè)大學(xué);2014年

2 宋長賀;基于GPU的高性能遙感圖像解碼方法研究[D];西安電子科技大學(xué);2015年

3 趙奉奎;能量色散型X射線熒光光譜儀關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

4 王麗榮;基于小波變換的目標(biāo)檢測方法研究[D];吉林大學(xué);2006年

5 熊智新;基于小波變換的化學(xué)譜圖數(shù)據(jù)處理[D];浙江大學(xué);2004年

6 魏云冰;小波變換在電機故障診斷與測試中的應(yīng)用研究[D];浙江大學(xué);2002年

7 丁文鵬;自適應(yīng)方向提升小波變換及應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2009年

8 董衛(wèi)軍;基于小波變換的圖像處理技術(shù)研究[D];西北大學(xué);2006年

9 聶磊;小波變換用于重疊化學(xué)信號的分辨研究[D];中國科學(xué)技術(shù)大學(xué);2002年

10 張秀琦;基于小波變換的化學(xué)計量學(xué)方法及幾種抗癌藥物的電化學(xué)研究[D];西北大學(xué);2001年

相關(guān)碩士學(xué)位論文 前10條

1 韓科;基于小波變換與PCA的人臉識別方法的研究與實現(xiàn)[D];內(nèi)蒙古大學(xué);2015年

2 邵永鑫;小波變換和人工神經(jīng)網(wǎng)絡(luò)在熒光測溫信號處理中的應(yīng)用研究[D];天津理工大學(xué);2015年

3 聶小利;基于小波變換的弱信號提取與應(yīng)用研究[D];北京建筑大學(xué);2015年

4 方宇超;基于小波變換的碼速率估計方法研究[D];內(nèi)蒙古大學(xué);2015年

5 段曉杰;基于小波變換的數(shù)字水印算法及評價方法研究[D];遼寧大學(xué);2015年

6 黃新安;胎兒心率檢測算法的研究[D];江南大學(xué);2015年

7 周玉;小波變換在高速鐵路牽引供電地震防災(zāi)系統(tǒng)中的應(yīng)用研究[D];西南交通大學(xué);2015年

8 郭亞妮;基于DSP的小波變換在雷達回波信號去噪中的研究[D];天津理工大學(xué);2015年

9 曾燕來;基于小波變換語音去噪的研究及應(yīng)用[D];長安大學(xué);2015年

10 烏月汗;基于小波變換人臉識別的算法研究[D];內(nèi)蒙古大學(xué);2015年

，

本文編號：1916874