風電裝機容量的提高帶來了巨大的經(jīng)濟和環(huán)境效益,也給電力系統(tǒng)安全穩(wěn)定運行帶來極大影響。風電場大規(guī)模集中分布使其出力表現(xiàn)出強相關性,可能會短時間大幅變化,若備用和調節(jié)能力不足以平衡,電網(wǎng)頻率可能會降低,甚至損失負荷。風電出力具有波動性和不確定性,其預測存在誤差,系統(tǒng)需要更多備用來應對風功率變化的影響。因此,研究風電爬坡事件快速準確預測、評估和預警,對于電力系統(tǒng)安全穩(wěn)定運行具有重要意義。本文從這個角度出發(fā),采用深度學習等人工智能技術對風電爬坡事件進行了預測、評估和預警研究。首先,提出一種基于堆疊降噪自動編碼器（stacked denoising autoencoder,SDAE）的風電爬坡事件預測多層特征提取方法。利用K-means聚類算法將具有較高相似度的樣本歸為一類;針對不同類別,分別利用SDAE進行特征提取,將提取的每一個隱藏層特征都作為預測模型的輸入,實現(xiàn)風電爬坡事件的快速準確預測。山東電網(wǎng)仿真分析結果表明,使用SDAE特征提取方法能夠一定程度上提高風電爬坡事件預測的準確性,降低漏警率和誤警率。其次,提出一種基于支持向量機（support vector machine,SVM）的風電... 

【文章來源】：山東大學山東省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【部分圖文】：

圖１－１?２００８年至２０１７年中國新增和累計風電裝機容量??１??

山東大學碩士學位論文??個不同的類別。??２．１．２?Ｋ－ｍｅａｎｓ聚類算法訓練過程??Ｋ－ｍｅａｎｓ聚類算法訓練過程如下：如圖２－１?（ａ），從數(shù)據(jù)集中選擇Ｋ個樣??本作為Ｋ個類別的初始聚類中心，計算其余樣本到聚類中心的距離；如圖２－１??（ｂ），將樣本歸到距離最近的聚類中心；如圖２－１?（ｃ），重新計算Ｋ個類別??的聚類中心，計算其余樣本到新的聚類中心的距離，最后再次計算新的聚類中??心。如圖２－】（ｄ），重復以上過程，直到聚類中心誤差平方和收斂到最小值為??止。??★?？？纖．??＃?＊?－Ｉｗ??（ａ）?（ｂ）??＊?．?＊＊＊？??Ｍ??翁?備??（ｃ）?（ｄ）??圖２－１?Ｋ－ｍｅａｎｓ聚類算法??Ｋ－ｍｅａｎｓ聚類算法具有聚類效果好、收斂速度快、算法的可解釋度強等優(yōu)??點，處理數(shù)據(jù)時具有高效性和可伸縮性，在電力系統(tǒng)相關研宄中獲得了廣泛的??１２??

山東大學碩士學位論文??Ｌ（ｊｃ，ｊ）?＝?－＾｜｜Ｘｉ，）－Ａ：，?ＩＩ?（２－２）??ｎ??式中，．Ｖｂ，）為受損輸入Ａ的重構表示。訓練目標是不斷地最小化重構誤差增強??訓練效果［７１］。??通過訓練，不斷地最小化重構誤差Ｚ（ｗ），獲得隱層表達如圖２－２所示。??隱層表達Ａ?重構誤差?????、?■丨??＾、．．＇乂?巧Ｕ?Ｊ?Ｌ乂?ｌ．ｕ?Ｕ?Ｕ?Ｕ?Ｕ??受損輸入Ｆ?原始輸入ＪＣ?重構表示ｙ??圖２－２降噪自動編碼器訓練過程??首先將受損輸入ｉ，通過編碼過程映射為隱層表達Ａ?（幻，然后通過解碼過程??映射為重構表示．Ｖ（ｉ，），通過不斷優(yōu)化模型參數(shù)０和《，使Ｚ（Ｘｊ〇足夠小［７２］。編??碼和解碼分別表示為??ｈ?＝?ｐ０?（ｘ）?＝?，ｖ（ｆｆＳ?＋?ｂ）?（２－３）??ｙ?＝?ｑ〇｛ｈ）?＝?ｓ｛Ｗ?ｈ?＋?ｂ）?（２－４）??式中，０?＝?［％以和０＿＝［象＞］分別為編碼和解碼模型參數(shù)；Ｆ和ＩＴ’分別為編碼和??解碼權值矩陣；６和Ａ?’為偏置量；為激活函數(shù)。??神經(jīng)網(wǎng)絡的神經(jīng)元的輸入和輸出是線性關系，這樣得到的模型是線性模型，??無法處理復雜的非線性問題。如果要處理非線性問題，輸入和輸出之前應是非??線性關系，對應的函數(shù)應該是非線性函數(shù)，稱為激活函數(shù)。這樣訓練出的模型??即為非線性模型，本章采用ｓｉｇｍｏｉｄ函數(shù)作為激活函數(shù)，表達式如式（２－５）所??示。ｓｉｇｍｏｉｄ函數(shù)是單調遞增且可導函數(shù)，定義域為Ｒ，值域為（０，１）。由于其值??域在有限范圍內，使用梯度下降法進行訓練時會更加穩(wěn)定。??１４??

【參考文獻】：
期刊論文
[1]新電改環(huán)境下基于效用函數(shù)的電網(wǎng)投資決策評價方法[J]. 馬倩,王昭聰,潘學萍,劉肖凡.  電力自動化設備. 2019(12)
[2]基于小波深度置信網(wǎng)絡的風電爬坡預測方法[J]. 唐振浩,孟慶煜,曹生現(xiàn),李揚,牟中華,龐曉婭.  太陽能學報. 2019(11)
[3]一種結合CNN和GRU網(wǎng)絡的超短期風電預測模型[J]. 薛陽,王琳,王舒,張亞飛,張寧.  可再生能源. 2019(03)
[4]基于功率波動過程的風電功率短期預測及誤差修正[J]. 丁明,張超,王勃,畢銳,繆樂穎,車建峰.  電力系統(tǒng)自動化. 2019(03)
[5]基于SDAE特征提取的含風電電網(wǎng)可用輸電能力計算[J]. 閆炯程,李常剛,劉玉田.  電力系統(tǒng)自動化. 2019(01)
[6]基于深度學習分位數(shù)回歸模型的風電功率概率密度預測[J]. 李彬,彭曙蓉,彭君哲,黃士峻,鄭國棟.  電力自動化設備. 2018(09)
[7]基于深度學習的暫態(tài)穩(wěn)定評估與嚴重度分級[J]. 尹雪燕,閆炯程,劉玉田,仇晨光.  電力自動化設備. 2018(05)
[8]基于支持向量機綜合分類模型和關鍵樣本集的電力系統(tǒng)暫態(tài)穩(wěn)定評估[J]. 田芳,周孝信,于之虹.  電力系統(tǒng)保護與控制. 2017(22)
[9]基于S-BGD和梯度累積策略的改進深度學習方法及其在光伏出力預測中的應用[J]. 黎靜華,黃乾,韋善陽,黃玉金.  電網(wǎng)技術. 2017(10)
[10]基于模態(tài)分析和Relief算法的在線靜態(tài)電壓穩(wěn)定特征選取方法[J]. 和怡,朱小軍,李登峰,陳濤,張大海,張沛.  電力系統(tǒng)及其自動化學報. 2017(07)

博士論文
[1]大規(guī)模風電爬坡預警與決策研究[D]. 馬歡.山東大學 2017
[2]大規(guī)模風電并網(wǎng)的有功協(xié)調控制研究[D]. 何成明.山東大學 2015

碩士論文
[1]基于支持向量機和移動窗口最小二乘法的網(wǎng)格結構損傷識別研究[D]. 蘭翔.南昌大學 2019
[2]風電爬坡事件的區(qū)間概率估計方法研究[D]. 趙元春.山東大學 2019
[3]基于深度學習的交直流混聯(lián)系統(tǒng)暫態(tài)穩(wěn)定評估研究[D]. 尹雪燕.山東大學 2019
[4]基于深度學習算法的風功率預測技術[D]. 竇金利.中國電力科學研究院 2018
[5]基于深度學習的風電功率預測方法研究[D]. 張浩.華北電力大學(北京) 2017
[6]風電功率爬坡事件預測方法研究[D]. 孫瑩.華北電力大學(北京) 2017
[7]基于氣象測量場的風電爬坡事件與功率預測[D]. 劉申.山東大學 2015



本文編號：3625245