隨著傳統(tǒng)化石能源的日益減少,可再生能源變得越來越重要。風(fēng)能作為可再生能源重要的一種形式具有巨大的開發(fā)潛力,目前已被眾多國家開發(fā)利用。但風(fēng)能自身具有的隨機(jī)性、間歇性等特點給風(fēng)電大規(guī)模并網(wǎng)帶來諸多問題。特別是在風(fēng)功率預(yù)測和電力系統(tǒng)經(jīng)濟(jì)調(diào)度這兩個方面,由于兩項技術(shù)發(fā)展的不完善導(dǎo)致風(fēng)電利用率不高,風(fēng)力資源的浪費。所以,對風(fēng)功率預(yù)測以及電力系統(tǒng)的經(jīng)濟(jì)調(diào)度方面的研究顯得尤為重要,對提高風(fēng)電消納具有現(xiàn)實意義。本文針對這一課題展開相關(guān)模型和方法的研究。本文提出一種基于具有自適應(yīng)噪聲的集合經(jīng)驗?zāi)B(tài)分解-深度門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)-極限提升樹（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Gated Recurrent Unit Neural Network-eXtreme Gradient Boosting,CEEMDAN-GRU-XGboost）的風(fēng)電功率預(yù)測模型。為提高風(fēng)電功率預(yù)測的精確度,首先模型采用信號分析技術(shù),利用CEEDAN算法對風(fēng)電功率信號進(jìn)行平穩(wěn)化處理,將風(fēng)電信號中存在的不同尺度下的波動或變化趨勢逐級分... 

【文章來源】：上海電機(jī)學(xué)院上海市

【文章頁數(shù)】：83 頁

【學(xué)位級別】：碩士

【部分圖文】：

風(fēng)電功率信號 EMD 分解圖

上海電機(jī)學(xué)院碩士學(xué)位論文-15-圖2-2風(fēng)電功率信號EEMD分解圖Fig.2-2WindpowersignaldecompositiondiagrambyEEMD圖2-2為原始風(fēng)電功率信號經(jīng)EEMD分解后的十一個固有模態(tài)分量，其中IMF1,IMF2,IMF3為高頻信號。IMF4,IMF5,IMF6,IMF7為中頻信號。IMF8,IMF9,IMF10,IMF11為低頻信號。我們可以從圖像中看出對比EMD分解，EEMD分解后的IMF數(shù)量更多且序列的頻率更加平緩，分解的層次也更加的清晰，在一定程度上緩解了EMD算法中存在的模態(tài)混疊現(xiàn)象。減小的模態(tài)混疊現(xiàn)象的原因為在原始信號中加入了白噪聲信號減小了異常值對EEMD算法的影響。但EEMD算法因其白噪聲的加入加大了算法的計算量，且算法的效果依賴于參數(shù)的選擇。

上海電機(jī)學(xué)院碩士學(xué)位論文-16-圖2-3風(fēng)電功率信號CEEMDAN分解圖Fig.2-3WindpowersignaldecompositiondiagrambyCEEMDAN圖2-3為原始風(fēng)電功率信號經(jīng)CEEMDAN算法分解后的固有模態(tài)分量。IMF1,IMF2,IMF3,IMF4為高頻分量。IMF5,IMF6,IMF7,IMF8為中頻分量。IMF9,IMF10,IMF11,IMF12為低頻分量。從圖中可得CEEMDAN算法的固態(tài)模態(tài)分量數(shù)量比EEMD算法分解數(shù)量要多。同時CEEMDAN算法在各個分量相加后平均每個數(shù)據(jù)與原數(shù)據(jù)相差更小，相對于EEMD算法CEEMDAN算法完備性更強(qiáng)。在AMD銳龍平臺下CEEMDAN運算時間為14分鐘43秒優(yōu)于EEMD算法18分26秒，算法更具計算效率。

【參考文獻(xiàn)】：
期刊論文
[1]基于小波變換和BP神經(jīng)網(wǎng)絡(luò)的時序風(fēng)電功率預(yù)測[J]. 馮桂玲.  電力大數(shù)據(jù). 2019(04)
[2]短期風(fēng)速預(yù)測的相關(guān)方法及其應(yīng)用研究[J]. 凌勁,茆美琴,李福根,張恩銘.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2017(11)
[3]基于改進(jìn)NSGA-Ⅱ的電力系統(tǒng)動態(tài)環(huán)境經(jīng)濟(jì)調(diào)度[J]. 朱志鍵,王杰.  電力自動化設(shè)備. 2017(02)
[4]基于模糊信息�；妥钚《酥С窒蛄繖C(jī)的風(fēng)電功率聯(lián)合預(yù)測建模[J]. 王愷,關(guān)少卿,汪令祥,王鼎奕,崔垚.  電力系統(tǒng)保護(hù)與控制. 2015(02)
[5]基于加權(quán)最小絕對值的大電力系統(tǒng)潮流可行解優(yōu)化恢復(fù)方法[J]. 陶向紅,卜廣全,王虹富,鮑威,郭瑞鵬.  電力系統(tǒng)自動化. 2014(23)
[6]基于集合經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率組合預(yù)測[J]. 王賀,胡志堅,陳珍,仉夢林,賀建波,李晨.  電工技術(shù)學(xué)報. 2013(09)
[7]基于樣本熵和極端學(xué)習(xí)機(jī)的超短期風(fēng)電功率組合預(yù)測模型[J]. 張學(xué)清,梁軍,張熙,張峰,張利,徐兵.  中國電機(jī)工程學(xué)報. 2013(25)
[8]基于碳交易的含風(fēng)電系統(tǒng)低碳經(jīng)濟(jì)調(diào)度[J]. 張曉輝,閆柯柯,盧志剛,何守龍.  電網(wǎng)技術(shù). 2013(10)
[9]基于改進(jìn)PSO-LSSVM的風(fēng)電場短期功率預(yù)測[J]. 余健明,馬小津,倪峰,王小星.  西安理工大學(xué)學(xué)報. 2013(02)
[10]基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J]. 周松林,茆美琴,蘇建徽.  電網(wǎng)技術(shù). 2011(09)

博士論文
[1]差分進(jìn)化算法及其在電力系統(tǒng)調(diào)度優(yōu)化中的應(yīng)用研究[D]. 孫成富.華中科技大學(xué) 2010

碩士論文
[1]基于改進(jìn)粒子群算法的含風(fēng)電場電力系統(tǒng)經(jīng)濟(jì)調(diào)度的研究[D]. 房鑫堃.哈爾濱理工大學(xué) 2017
[2]基于碳交易的含風(fēng)電電力系統(tǒng)經(jīng)濟(jì)調(diào)度模型與算法[D]. 劉衛(wèi)東.山東大學(xué) 2016
[3]基于多目標(biāo)優(yōu)化的含風(fēng)電場電力系統(tǒng)環(huán)境經(jīng)濟(jì)調(diào)度研究[D]. 李鵬波.山東大學(xué) 2015



本文編號：3300146