受大氣湍流影響,濱海地區(qū)風(fēng)能的隨機(jī)性與波動(dòng)性更為明顯。為提高濱海風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)精度,文章針對(duì)傳統(tǒng)深度信念網(wǎng)絡(luò)易陷入局部最優(yōu)以及訓(xùn)練時(shí)間過(guò)長(zhǎng)等問(wèn)題,提出改進(jìn)的深度信念網(wǎng)絡(luò)模型（SA-ALSDBN）來(lái)預(yù)測(cè)風(fēng)速。該方法首先采用模擬退火算法對(duì)DBN的初始參數(shù)進(jìn)行優(yōu)化,而后引入自適應(yīng)學(xué)習(xí)步長(zhǎng)算法縮短了訓(xùn)練DBN所需要的時(shí)間。實(shí)驗(yàn)結(jié)果表明,相比其他方法,SA-ALS-DBN方法提高了預(yù)測(cè)精度,縮小了預(yù)測(cè)誤差,對(duì)于濱海地區(qū)風(fēng)速預(yù)測(cè)具有更高的可行性和有效性。 

【文章來(lái)源】：可再生能源. 2020,38(11)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

RBM結(jié)構(gòu)圖

DBN結(jié)構(gòu)圖

SA算法流程圖

【參考文獻(xiàn)】：
期刊論文
[1]考慮氣象相似性與數(shù)值天氣預(yù)報(bào)修正的海上風(fēng)功率預(yù)測(cè)[J]. 符楊,鄭紫宸,時(shí)帥,米陽(yáng),劉棟.  電網(wǎng)技術(shù). 2019(04)
[2]基于模擬退火與Levenberg-Marquardt混合算法的Energetic磁滯模型參數(shù)提取[J]. 劉任,李琳.  中國(guó)電機(jī)工程學(xué)報(bào). 2019(03)
[3]風(fēng)電場(chǎng)短期功率預(yù)測(cè)[J]. 岳有軍,趙巖,趙輝,王紅君.  中國(guó)科技論文. 2018(11)
[4]基于EEMD和LS-SVM模型的風(fēng)電功率短期預(yù)測(cè)方法[J]. 程啟明,陳路,程尹曼,張強(qiáng),高杰.  電力自動(dòng)化設(shè)備. 2018(05)

碩士論文
[1]基于深度信念網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)研究[D]. 李妮.西安理工大學(xué) 2019
[2]基于人工神經(jīng)網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測(cè)研究[D]. 楊劍南.華北電力大學(xué) 2015
[3]基于模糊聚類(lèi)的GA-BP風(fēng)電場(chǎng)短期風(fēng)速及功率預(yù)測(cè)的研究[D]. 都晨.南京理工大學(xué) 2013



本文編號(hào)：3327198