隨著化石燃料等傳統(tǒng)資源的日益枯竭以及環(huán)境污染的日益嚴重,世界各國都在尋找清潔能源,而風(fēng)能作為一種可再生能源引起了能源界的高度重視。海洋擁有大量的風(fēng)能資源,近年來,海洋風(fēng)力發(fā)電已經(jīng)趨于成熟,風(fēng)速是風(fēng)能發(fā)電評估的關(guān)鍵內(nèi)容,但風(fēng)速容易受到障礙物和地形等因素的影響變得不穩(wěn)定,而且隨著高度的變化,風(fēng)速也相應(yīng)的發(fā)生變化,因此對風(fēng)速進行準確的預(yù)測具有挑戰(zhàn)性。大多數(shù)學(xué)者研究的重點是提高預(yù)測的精確性或穩(wěn)定性,而忽略了同時提高的重要性。因此本文提出一種混合模型可以有效的提高風(fēng)速預(yù)測的精確性和穩(wěn)定性,從而減輕或避免風(fēng)電場對電力系統(tǒng)的不利影響。本文提出了一種新的混合優(yōu)化模型用于風(fēng)速的預(yù)測和研究,包括有效的雙分解數(shù)據(jù)處理算法,組合預(yù)測算法,灰狼優(yōu)化算法以及有效的評價方法。在該研究中雙分解數(shù)據(jù)處理算法（LMD-VMD）將原始風(fēng)速數(shù)據(jù)分解為一系列模態(tài)函數(shù)（IMF）。采用偏自相關(guān)函數(shù)（PACF）選擇輸入變量的BP神經(jīng)網(wǎng)絡(luò),極限學(xué)習(xí)機（ELM）以及Elman神經(jīng)網(wǎng)絡(luò)分別對這些子序列的訓(xùn)練集和測試集預(yù)測并加和集成,將三個預(yù)測算法預(yù)測到的結(jié)果作為灰狼優(yōu)化算法優(yōu)化的支持向量回歸（SVR）的輸入進行預(yù)測。為了驗證本文提出的模型... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：50 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 國內(nèi)外研究方法總結(jié)
    1.4 本文混合模型介紹及創(chuàng)新點
    1.5 文章結(jié)構(gòu)介紹
第二章 基本方法和模型構(gòu)建
    2.1 LMD算法
        2.1.1 LMD算法的理論介紹
        2.1.2 基于近似熵的快速計算算法
    2.2 VMD算法
        2.2.1 VMD基本算法
        2.2.2 VMD算法的求解
        2.2.3 基于相關(guān)系數(shù)確定VMD分解模態(tài)的個數(shù)
    2.3 灰狼優(yōu)化算法
        2.3.1 灰狼優(yōu)化算法的理論介紹
        2.3.2 灰狼優(yōu)化算法的步驟
    2.4 偏自相關(guān)函數(shù)(PACF)
    2.5 BP神經(jīng)網(wǎng)絡(luò)
    2.6 極限學(xué)習(xí)機(ELM)
    2.7 Elman神經(jīng)網(wǎng)絡(luò)
    2.8 支持向量回歸(SVR)
        2.8.1 SVR的學(xué)習(xí)算法
        2.8.2 基于灰狼優(yōu)化算法(GWO)的支持向量回歸(SVR)的優(yōu)化
    2.9 混合模型的提出和構(gòu)建過程
第三章 實證分析
    3.1 數(shù)據(jù)信息
    3.2 模型評價指標(biāo)
    3.3 實驗結(jié)果及不同模型的比較分析
        3.3.1 兩步分解
        3.3.2 實驗一及模型對比
        3.3.3 實驗二及模型對比
第四章 結(jié)論
    4.1 結(jié)論
    4.2 不足和展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]灰色模型在采油井管材腐蝕速率預(yù)測中的應(yīng)用[J]. 任南南,商永濱,陳軍斌,李帥.  熱加工工藝. 2020(04)
[2]基于Elman神經(jīng)網(wǎng)絡(luò)的湖北省固定資產(chǎn)投資額預(yù)測[J]. 舒服華.  廣東培正學(xué)院論叢. 2019(04)
[3]自回歸模型偏自相關(guān)函數(shù)截尾性檢驗[J]. 趙志文,楊慧超,彭毳鑫.  統(tǒng)計與決策. 2019(08)
[4]基于相空間重構(gòu)及Elman網(wǎng)絡(luò)-灰狼優(yōu)化的短期風(fēng)速預(yù)測[J]. 李圣清,鄧曦.  新型工業(yè)化. 2019(02)
[5]基于指數(shù)平滑法的高考人數(shù)預(yù)測研究[J]. 湯仕琦.  財會學(xué)習(xí). 2019(04)
[6]碾壓混凝土壩層面抗剪斷強度的人工神經(jīng)網(wǎng)絡(luò)與模糊邏輯系統(tǒng)預(yù)測[J]. 申嘉榮,徐千軍.  清華大學(xué)學(xué)報(自然科學(xué)版). 2019(05)
[7]基于LMD近似熵和PSO-ELM的齒輪箱故障診斷[J]. 張玉學(xué),潘宏俠.  機械傳動. 2017(08)
[8]近似熵、互近似熵的性質(zhì)、快速算法及其在腦電與認知研究中的初步應(yīng)用[J]. 洪波,唐慶玉,楊福生,陳天祥.  信號處理. 1999(02)

博士論文
[1]人工免疫系統(tǒng)在非線性系統(tǒng)辨識與預(yù)測控制中的應(yīng)用研究[D]. 龔固豐.湖南大學(xué) 2009



本文編號：3199610