本文關(guān)鍵詞：基于動(dòng)態(tài)建模的短期風(fēng)電功率預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著風(fēng)電行業(yè)在我國(guó)不斷發(fā)展,風(fēng)力發(fā)電占電力系統(tǒng)的比例也越來越大,但是由于風(fēng)能不穩(wěn)定的特點(diǎn)使得風(fēng)電功率呈現(xiàn)波動(dòng)性和間歇性,這樣大規(guī)模并網(wǎng)時(shí)會(huì)對(duì)電力系統(tǒng)安全造成很大影響。因此提高功率預(yù)測(cè)的動(dòng)態(tài)性和準(zhǔn)確性對(duì)電力系統(tǒng)的調(diào)度和安全性有重要的意義。本文通過研究現(xiàn)有預(yù)測(cè)方法的優(yōu)缺點(diǎn),提出一種改進(jìn)的風(fēng)電功率預(yù)測(cè)模型,具體研究?jī)?nèi)容如下:一、結(jié)合風(fēng)能的特點(diǎn)說明影響風(fēng)電功率的相關(guān)因素,根據(jù)風(fēng)電場(chǎng)數(shù)據(jù)對(duì)風(fēng)速和風(fēng)向進(jìn)行規(guī)律統(tǒng)計(jì),為預(yù)測(cè)模型輸入向量的確定提供指導(dǎo)。二、對(duì)Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行研究,為了提高預(yù)測(cè)精度和預(yù)測(cè)模型的動(dòng)態(tài)性,對(duì)Elman網(wǎng)絡(luò)的結(jié)構(gòu)和激勵(lì)函數(shù)進(jìn)行改進(jìn),并利用局部均值分解法(Local mean decomposition,LMD)對(duì)輸入數(shù)據(jù)進(jìn)行分解,建立LMD-Elman的短期動(dòng)態(tài)功率預(yù)測(cè)模型并運(yùn)用工程實(shí)例對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證。三、針對(duì)人工蜂群算法易陷入局部最優(yōu)的缺點(diǎn),提出一種自適應(yīng)柯西蜂群算法,運(yùn)用測(cè)試函數(shù)對(duì)自適應(yīng)柯西蜂群算法進(jìn)行測(cè)試和收斂性分析,并將該蜂群算法應(yīng)用于風(fēng)電功率預(yù)測(cè)中,工程實(shí)例仿真結(jié)果表明,自適應(yīng)柯西蜂群算法提高了風(fēng)電功率的預(yù)測(cè)精度。四、在以上研究的基礎(chǔ)上,運(yùn)用自適應(yīng)柯西蜂群算法優(yōu)化回歸神經(jīng)網(wǎng)絡(luò)(Nonlinear Auto Regressive Neural Network with Exogenous Inputs,NARX網(wǎng)絡(luò))和BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值參數(shù),從而建立一種組合動(dòng)態(tài)預(yù)測(cè)模型,并將Labview與MATLAB進(jìn)行混合編程來實(shí)現(xiàn)系統(tǒng)的控制與預(yù)測(cè),該方法不僅減少了程序代碼的設(shè)計(jì),而且使得編程變得圖形化可視化,降低了開發(fā)難度。
【關(guān)鍵詞】：風(fēng)電功率 Elman動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò) 人工蜂群算法 組合預(yù)測(cè)
【學(xué)位授予單位】：上海電機(jī)學(xué)院
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM614
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 緒論12-22
• 1.1 課題研究背景及意義12-14
• 1.2 風(fēng)電功率預(yù)測(cè)研究概況14-17
• 1.2.1 國(guó)內(nèi)外研究現(xiàn)狀14-15
• 1.2.2 風(fēng)電功率預(yù)測(cè)方法分類15-17
• 1.3 風(fēng)電功率預(yù)測(cè)技術(shù)17-21
• 1.3.1 風(fēng)電功率預(yù)測(cè)流程17-18
• 1.3.2 功率預(yù)測(cè)評(píng)價(jià)指標(biāo)18-19
• 1.3.3 預(yù)測(cè)模型優(yōu)化方法簡(jiǎn)介19-21
• 1.4 論文的主要內(nèi)容與章節(jié)安排21-22
• 第二章 風(fēng)功率數(shù)據(jù)預(yù)處理與規(guī)律統(tǒng)計(jì)22-31
• 2.1 引言22
• 2.2 數(shù)據(jù)預(yù)處理技術(shù)22-24
• 2.3 數(shù)據(jù)的影響因素24-26
• 2.4 風(fēng)電場(chǎng)數(shù)據(jù)規(guī)律統(tǒng)計(jì)26-30
• 2.4.1 風(fēng)速變化規(guī)律26-28
• 2.4.2 風(fēng)向統(tǒng)計(jì)規(guī)律28-30
• 2.5 本章小結(jié)30-31
• 第三章 基于LMD-Elman的動(dòng)態(tài)預(yù)測(cè)模型31-43
• 3.1 引言31
• 3.2 局部均值分解法31-32
• 3.3 Elman神經(jīng)網(wǎng)絡(luò)及其算法原理32-35
• 3.3.1 Elman神經(jīng)網(wǎng)絡(luò)33-34
• 3.3.2 Elman算法原理34-35
• 3.4 改進(jìn)的Elman神經(jīng)網(wǎng)絡(luò)35-38
• 3.4.1 網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)35-37
• 3.4.2 激勵(lì)函數(shù)的改進(jìn)37-38
• 3.5 基于LMD-Elman預(yù)測(cè)模型的工程實(shí)例分析38-42
• 3.5.1 預(yù)測(cè)模型建立38-39
• 3.5.2 工程實(shí)例驗(yàn)證39-42
• 3.6 本章小結(jié)42-43
• 第四章 自適應(yīng)柯西蜂群算法及其在風(fēng)電功率預(yù)測(cè)中的應(yīng)用43-58
• 4.1 引言43
• 4.2 人工蜂群算法43-44
• 4.3 自適應(yīng)柯西蜂群算法44-53
• 4.3.1 搜索步長(zhǎng)的自適應(yīng)調(diào)整44-45
• 4.3.2 偵查蜂根據(jù)柯西分布搜索新解45-46
• 4.3.3 自適應(yīng)柯西蜂群算法驗(yàn)證與分析46-49
• 4.3.4 算法收斂性分析49-53
• 4.4 自適應(yīng)柯西蜂群算法在風(fēng)電功率預(yù)測(cè)中的應(yīng)用53-57
• 4.4.1 基于ACMABC-SVM風(fēng)電功率預(yù)測(cè)模型53-54
• 4.4.2 支持向量機(jī)回歸模型54-55
• 4.4.3 工程實(shí)例分析55-57
• 4.5 本章小結(jié)57-58
• 第五章 基于自適應(yīng)柯西蜂群算法的組合動(dòng)態(tài)預(yù)測(cè)模型58-70
• 5.1 引言58
• 5.2 基于ACMABC算法組合預(yù)測(cè)模型58-64
• 5.2.1 組合預(yù)測(cè)模型58-59
• 5.2.2 NARX神經(jīng)網(wǎng)絡(luò)59-60
• 5.2.3 基于ACMABC算法組合預(yù)測(cè)模型的工程實(shí)例驗(yàn)證60-64
• 5.3 Labview中實(shí)現(xiàn)ACMABC組合預(yù)測(cè)64-66
• 5.3.1 Labview概述64
• 5.3.2 MATLAB64-65
• 5.3.3 調(diào)用MATLAB腳本節(jié)點(diǎn)65
• 5.3.4 實(shí)驗(yàn)結(jié)果65-66
• 5.4 工程應(yīng)用66-68
• 5.5 本章小結(jié)68-70
• 第六章 總結(jié)與展望70-72
• 6.1 全文總結(jié)70
• 6.2 進(jìn)一步研究展望70-72
• 參考文獻(xiàn)72-77
• 附錄1自適應(yīng)柯西蜂群算法matlab源程序77-83
• 致謝83-84
• 攻讀碩士學(xué)位期間取得的研究成果84

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 傅鸝，，裴小兵;一種指數(shù)型動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[J];重慶大學(xué)學(xué)報(bào)(自然科學(xué)版);1996年06期

2 黃金泉,孫健國(guó);非線性系統(tǒng)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)自適應(yīng)辨識(shí)[J];南京航空航天大學(xué)學(xué)報(bào);1999年03期

3 諸勇,錢積新;基于魯棒穩(wěn)定高階動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識(shí)[J];浙江大學(xué)學(xué)報(bào)(工學(xué)版);2001年01期

4 樊春霞;利用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)產(chǎn)生混沌系統(tǒng)[J];鹽城工學(xué)院學(xué)報(bào)(自然科學(xué)版);2005年03期

5 劉耀年;楊德友;龐松嶺;劉岱;;基于經(jīng)驗(yàn)?zāi)B(tài)分解與動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的短期負(fù)荷預(yù)測(cè)[J];電工電能新技術(shù);2008年03期

6 徐立新，董春雷，王常虹;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J];航天控制;1996年03期

7 邱小平,閔林,李海明,徐揚(yáng);基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的經(jīng)典邏輯公式計(jì)算方法[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2003年06期

8 易建鋼;陳奎生;;集成動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)及其在冶金風(fēng)機(jī)智能診斷系統(tǒng)中的應(yīng)用[J];噪聲與振動(dòng)控制;2007年05期

9 張國(guó)萍,曹柳林;用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)解決粘度預(yù)測(cè)的方法[J];北京化工大學(xué)學(xué)報(bào)(自然科學(xué)版);1999年03期

10 陳濤;王立勇;徐小力;;基于模糊動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的點(diǎn)火系統(tǒng)故障診斷[J];北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年04期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前5條

1 黃西士;吳滄浦;;一種用于跟蹤控制的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)[A];1993中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1993年

2 諸勇;錢積新;;基于魯棒穩(wěn)定高階動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識(shí)[A];1998年中國(guó)控制會(huì)議論文集[C];1998年

3 項(xiàng)n\伍;;自適應(yīng)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)控制感應(yīng)電機(jī)系統(tǒng)[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年

4 郝悍勇;張宇;孫增圻;;一種基于UIO和動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的復(fù)合故障診斷方法[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

5 劉耀年;趙明宇;王震宇;;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負(fù)荷在線預(yù)測(cè)研究[A];中國(guó)高等學(xué)校電力系統(tǒng)及其自動(dòng)化專業(yè)第二十四屆學(xué)術(shù)年會(huì)論文集（中冊(cè)）[C];2008年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前2條

1 麥歡歡;非線性的耦合系統(tǒng)一致性問題研究[D];重慶大學(xué);2012年

2 范劍超;微粒群優(yōu)化算法與動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè)研究[D];大連理工大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 陳雯吉;基于主成分分析和NARX動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股市情緒指數(shù)構(gòu)建與預(yù)測(cè)[D];蘭州大學(xué);2016年

2 張?chǎng)?基于動(dòng)態(tài)建模的短期風(fēng)電功率預(yù)測(cè)[D];上海電機(jī)學(xué)院;2016年

3 譚曉惠;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性研究及應(yīng)用[D];西南交通大學(xué);2002年

4 呂琪;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的交通事件檢測(cè)算法[D];浙江大學(xué);2003年

5 王穎;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模理論及優(yōu)化技術(shù)研究[D];東北石油大學(xué);2011年

6 趙晨;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預(yù)測(cè)中的應(yīng)用[D];復(fù)旦大學(xué);2014年

7 張明;基于改進(jìn)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)模型的研究[D];內(nèi)蒙古大學(xué);2014年

8 鄭偉范;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[D];西南交通大學(xué);2004年

9 尹嵩;基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)的FPGA實(shí)現(xiàn)[D];西安理工大學(xué);2009年

10 田玉松;動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)與分?jǐn)?shù)階Fourier變換的研究及其應(yīng)用[D];大連理工大學(xué);2006年

  本文關(guān)鍵詞：基于動(dòng)態(tài)建模的短期風(fēng)電功率預(yù)測(cè)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：358958