本文關鍵詞：基于人工智能的短期風電功率組合預測研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著社會和經(jīng)濟的快速發(fā)展,傳統(tǒng)的化石燃料已不能滿足人們對能源的需求,可再生能源的發(fā)展已經(jīng)成為各國關注的焦點,其中,風力發(fā)電的關注程度最高。近幾年,我國風力發(fā)電發(fā)展速度驚人,據(jù)能源局統(tǒng)計,2015年的風力發(fā)電量占總發(fā)電量的比例是3.3%。隨著風力發(fā)電所占比重的持續(xù)增加,風電并網(wǎng)給電網(wǎng)的安全穩(wěn)定運行及電力調(diào)度帶來了嚴重影響,準確地短期風電功率預測能夠有效地解決這些問題。因此,研究風電功率短期預測具有重要的意義。(1)從短期風電功率預測的基本方法、誤差分析和機制流程三方面對短期風電功率預測的基本理論進行了介紹。然后,分別采用基于相似日法和最小二乘支持向量機(LS-SVM)法的短期風電功率預測方法進行了實例分析,結(jié)果表明運用LS-SVM法得到的預測結(jié)果的誤差要小于運用相似日法得到的預測值的誤差。(2)為克服傳統(tǒng)聚類算法局部尋優(yōu)的缺陷,基于改進的模糊C-均值聚類算法,提出了一種綜合聚類算法,并將其運用到RBF神經(jīng)網(wǎng)絡中心的確定上,進而給出了一種基于RBF神經(jīng)網(wǎng)絡的短期風電功率預測方法。最后,采用該RBF神經(jīng)網(wǎng)絡法進行了短期風電功率預測的實例分析,預測結(jié)果表明,本文給出的基于RBF神經(jīng)網(wǎng)絡的風電功率預測方法能夠有效提高預測精度。(3)針對單項預測方法的局限性,介紹了兩種基本組合預測方法,并基于灰色關聯(lián)度的IOWGA算子組合預測方法,給出了一種短期風電功率最優(yōu)組合預測方法。最后,將上文給出的RBF神經(jīng)網(wǎng)絡法、相似日法和LS-SVM法作為單項預測方法,運用所提出的最優(yōu)組合預測方法和兩種基本組合預測方法進行了短期風電功率預測的實例分析,結(jié)果表明,風電功率最優(yōu)組合預測方法能夠有效地集成各單項預測的信息,從而達到改善風電功率預測精度的目的。
【關鍵詞】：風電功率 短期預測 RBF神經(jīng)網(wǎng)絡 IOWGA算子 組合預測
【學位授予單位】：西南交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM614
【目錄】：

• 摘要6-7
• Abstract7-11
• 第1章 緒論11-16
• 1.1 課題研究背景及意義11
• 1.2 國內(nèi)外研究現(xiàn)狀11-14
• 1.2.1 國外研究現(xiàn)狀11-13
• 1.2.2 國內(nèi)研究現(xiàn)狀13-14
• 1.3 本文研究的內(nèi)容14-16
• 第2章 短期風電功率預測16-32
• 2.1 短期風電功率預測的基本方法16-19
• 2.1.1 物理預測方法16-17
• 2.1.2 統(tǒng)計預測方法17-19
• 2.2 短期風電功率預測誤差分析19-22
• 2.2.1 預測誤差產(chǎn)生的原因19-20
• 2.2.2 提高預測準確度的手段20-21
• 2.2.3 預測誤差的評價指標21-22
• 2.3 短期風電功率預測機制的流程22-24
• 2.4 基于兩種既有人工智能的短期風電功率預測方法24-31
• 2.4.1 基于相似日法的短期風電功率預測25-26
• 2.4.2 基于LS-SVM法的短期風電功率預測26-29
• 2.4.3 預測結(jié)果及分析29-31
• 2.5 本章小結(jié)31-32
• 第3章 基于RBF神經(jīng)網(wǎng)絡法的短期風電功率預測32-43
• 3.1 RBF神經(jīng)網(wǎng)絡32-33
• 3.1.1 RBF神經(jīng)網(wǎng)絡的基本理論32-33
• 3.1.2 訓練及學習33
• 3.2 基于改進模糊C-均值聚類算法的綜合聚類算法33-39
• 3.2.1 改進模糊C-均值聚類算法33-38
• 3.2.2 綜合聚類算法38-39
• 3.3 基于RBF神經(jīng)網(wǎng)絡的短期風電功率預測分析39-42
• 3.3.1 基于RBF神經(jīng)網(wǎng)絡的短期風電功率預測方法39-40
• 3.3.2 預測結(jié)果及分析40-42
• 3.4 本章小結(jié)42-43
• 第4章 短期風電功率的組合預測43-56
• 4.1 組合預測基本理論43-46
• 4.1.1 組合預測的原理及意義43-44
• 4.1.2 組合預測的影響因素44
• 4.1.3 組合預測的基本方法44-46
• 4.2 短期風電功率的最優(yōu)組合預測46-51
• 4.2.1 IOWGA算子46-47
• 4.2.2 基于灰關聯(lián)度的IOWGA算子的組合預測方法47-48
• 4.2.3 短期風電功率的最優(yōu)組合預測方法48-51
• 4.3 組合預測結(jié)果及對比分析51-55
• 4.3.1 組合預測結(jié)果及分析51-54
• 4.3.2 不同方法預測效果對比分析54-55
• 4.4 本章小結(jié)55-56
• 結(jié)論與展望56-58
• 致謝58-59
• 參考文獻59-64
• 攻讀碩士學位期間發(fā)表的論文及科研成果64

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張疆涌;;綜合權(quán)組合預測[J];硅谷;2009年24期

2 劉延平;邵悅?cè)?李衛(wèi)東;;我國鐵路客運量的組合預測[J];物流技術(shù);2010年07期

3 柴元春;;我國能源總產(chǎn)量的組合預測[J];赤峰學院學報(自然科學版);2011年04期

4 孫李紅;;基于灰色組合預測的國內(nèi)債券余額預測[J];哈爾濱商業(yè)大學學報(自然科學版);2012年02期

5 周偉,王建軍,武常吉,劉洪;陜西省國民經(jīng)濟發(fā)展的組合預測研究[J];西安公路交通大學學報;1997年03期

6 肖智,李春紅,李瀠兵,鐘波;遺傳算法在經(jīng)濟混沌組合預測中的應用[J];重慶大學學報(自然科學版);2002年11期

7 夏明雷,劉瀾;社會經(jīng)濟發(fā)展的組合預測研究[J];交通科技與經(jīng)濟;2005年03期

8 張磊;鄭丕諤;;物資招標采購中組合預測的線性規(guī)劃方法[J];工業(yè)工程;2007年01期

9 杜云飛;陳孟野;高永獻;;基于神經(jīng)網(wǎng)絡的一種組合預測的構(gòu)建與應用[J];河南工程學院學報(自然科學版);2010年02期

10 田光理;苑紅偉;牛德寧;;基于粗糙集理論的短時交通流組合預測研究[J];道路交通與安全;2010年02期

中國重要會議論文全文數(shù)據(jù)庫 前9條

1 孫將平;葉志斌;季永青;;浙江省水路貨運量最優(yōu)組合預測[A];第六屆長三角科技論壇航運分論壇暨江蘇省航海學會2009年學術(shù)年會論文集[C];2009年

2 劉平;張莉;馬秀蘭;;烏魯木齊市農(nóng)、林、牧、漁業(yè)總產(chǎn)值的組合預測研究[A];Systems Engineering, Systems Science and Complexity Research--Proceeding of 11th Annual Conference of Systems Engineering Society of China[C];2000年

3 李國鋒;陳緒根;;山東省勞動力就業(yè)需求組合預測研究[A];21世紀數(shù)量經(jīng)濟學（第9卷）[C];2008年

4 田瑾;項靜恬;陳殿斌;;多種時間序列建模及組合預測的比較和改進[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術(shù)年會論文集[C];1999年

5 李存金;;簡單平均法下的最優(yōu)組合預測問題研究[A];管理科學與系統(tǒng)科學進展——全國青年管理科學與系統(tǒng)科學論文集（第3卷）[C];1995年

6 劉茂余;于麗英;;一種組合預測新方法的研究[A];中國運籌學會第九屆學術(shù)交流會論文集[C];2008年

7 樊英;張秋菊;;工業(yè)增加值預測系統(tǒng)的分析設計[A];中國企業(yè)運籌學[C];2006年

8 吳登生;李建平;孫曉蕾;;考慮模型相關性的組合預測過程中單項模型篩選研究[A];中國系統(tǒng)工程學會第十八屆學術(shù)年會論文集——A02管理科學[C];2014年

9 吳文東;吳剛;魏一鳴;范英;;基于相關系數(shù)的鋼材需求量組合預測[A];第十屆中國管理科學學術(shù)年會論文集[C];2008年

中國博士學位論文全文數(shù)據(jù)庫 前5條

1 劉啟浩;風險值組合預測的理論與實證[D];北京工業(yè)大學;2009年

2 蔣傳進;基于模型遴選規(guī)則的自適應組合預測研究[D];東華大學;2014年

3 郭曉君;灰色自憶性組合預測拓展模型及應用研究[D];南京航空航天大學;2015年

4 譚泗橋;支持向量回歸機的改進及其在植物保護中的應用[D];湖南農(nóng)業(yè)大學;2008年

5 王富強;風電場短期風速預測及模擬的理論與方法研究[D];華北電力大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 馬艷玲;組合預測在醫(yī)藥流通企業(yè)銷售預測中的應用研究[D];華南理工大學;2015年

2 陳嵩;組合預測技術(shù)及其在功率預測中的應用[D];華北電力大學;2015年

3 郭二鳳;ATM現(xiàn)金流預測的研究[D];遼寧科技大學;2015年

4 施艷春;基于非線性時間序列和神經(jīng)網(wǎng)絡的風電功率短期預測[D];沈陽工業(yè)大學;2016年

5 王克楠;基于關聯(lián)特性分析的鐵路事故數(shù)據(jù)挖掘及預測、預警方法研究[D];北京交通大學;2016年

6 馬斌;基于人工智能的短期風電功率組合預測研究[D];西南交通大學;2016年

7 葉晨;風電功率組合預測研究[D];華北電力大學（北京）;2011年

8 丁詠梅;我國股票價格的組合預測[D];華中科技大學;2005年

9 王慶慶;我國國內(nèi)石油供給的組合預測研究[D];浙江工商大學;2006年

10 高放;組合預測研究及其在交通流量預測中的應用[D];山東科技大學;2008年

  本文關鍵詞：基于人工智能的短期風電功率組合預測研究，由筆耕文化傳播整理發(fā)布。

，

本文編號：327692