風(fēng)電場功率預(yù)測系統(tǒng)用于預(yù)測風(fēng)力發(fā)電場未來一段時間的發(fā)電能力,便于電網(wǎng)進(jìn)行電力調(diào)度,該系統(tǒng)是風(fēng)電場并網(wǎng)發(fā)電的必要條件。目前,國內(nèi)大部分的功率預(yù)測系統(tǒng)的預(yù)測精度都無法達(dá)到電網(wǎng)調(diào)度中心的要求。為了提高風(fēng)電場功率預(yù)測的精度,對深度學(xué)習(xí)在功率預(yù)測模型中的應(yīng)用展開研究,從數(shù)據(jù)質(zhì)量控制、數(shù)值氣象預(yù)報匹配、功率預(yù)測模型的設(shè)計等角度減小功率預(yù)測模型的誤差。此外,針對部分風(fēng)電場冬季風(fēng)機(jī)凝凍無法發(fā)電的問題,提出基于長短期記憶網(wǎng)絡(luò)的風(fēng)機(jī)凝凍預(yù)測方法,該研究成果可提升風(fēng)電場發(fā)電能力,有較高的實際應(yīng)用價值。主要研究內(nèi)容包括以下幾點:（1）針對風(fēng)電場歷史數(shù)據(jù)存在大量異常數(shù)據(jù)、缺失數(shù)據(jù)的問題,研究了包括數(shù)據(jù)異常檢測和數(shù)據(jù)斷點填補的數(shù)據(jù)質(zhì)量控制流程。對基于長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）網(wǎng)絡(luò)的數(shù)據(jù)異常檢測方法進(jìn)行了研究,并與多種基于機(jī)器學(xué)習(xí)算法的異常檢測方法進(jìn)行了實驗對比;對基于多視圖學(xué)習(xí)的數(shù)據(jù)填補方法進(jìn)行了研究,并與傳統(tǒng)的插值法和基于整合移動平均自回歸模型（Autoregressive Integrated Moving Average model,ARIMA）預(yù)測的數(shù)據(jù)填補方... 

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
序言
1 緒論
    1.1 風(fēng)電場功率預(yù)測內(nèi)容簡介
    1.2 風(fēng)電場功率預(yù)測的預(yù)測方式
        1.2.1 基于歷史數(shù)據(jù)的風(fēng)電場功率預(yù)測
        1.2.2 基于數(shù)值氣象預(yù)報的風(fēng)電場功率預(yù)測
    1.3 風(fēng)電場功率預(yù)測研究現(xiàn)狀
        1.3.1 國外風(fēng)電場功率預(yù)測研究現(xiàn)狀
        1.3.2 國內(nèi)風(fēng)電場功率預(yù)測研究現(xiàn)狀
    1.4 風(fēng)電場功率預(yù)測研究的必要性
        1.4.1 國內(nèi)風(fēng)電場功率預(yù)測產(chǎn)品的不足
        1.4.2 導(dǎo)致國內(nèi)功率預(yù)測產(chǎn)品落后的原因
    1.5 研究的內(nèi)容和預(yù)期目標(biāo)
    1.6 論文的組織結(jié)構(gòu)
2 相關(guān)理論基礎(chǔ)
    2.1 神經(jīng)網(wǎng)絡(luò)概述
    2.2 BP神經(jīng)網(wǎng)絡(luò)
        2.2.1 BP神經(jīng)網(wǎng)絡(luò)原理
        2.2.2 BP神經(jīng)網(wǎng)絡(luò)計算流程
        2.2.3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)勢和不足
    2.3 LSTM網(wǎng)絡(luò)
        2.3.1 RNN基本原理
        2.3.2 LSTM基本原理
        2.3.3 LSTM計算流程
    2.4 深度神經(jīng)網(wǎng)絡(luò)相關(guān)優(yōu)化方法
        2.4.1 XAVIER初始化方法
        2.4.2 ADAM優(yōu)化算法
        2.4.3 DROPOUT方法
        2.4.4 激活函數(shù)
    2.5 對比實驗中應(yīng)用的相關(guān)機(jī)器學(xué)習(xí)算法
        2.5.1 K-MEANS算法
        2.5.2 IFOREST算法
        2.5.3 ONE-CLASS SVM算法
        2.5.4 ARIMA算法
    2.6 本章小結(jié)
3 數(shù)據(jù)質(zhì)量控制方法
    3.1 數(shù)據(jù)情況簡介
        3.1.1 數(shù)據(jù)缺失情況統(tǒng)計
        3.1.2 數(shù)據(jù)異常情況統(tǒng)計
    3.2 基于LSTM網(wǎng)絡(luò)的數(shù)據(jù)異常檢測
        3.2.1 LSTM網(wǎng)絡(luò)設(shè)計
        3.2.2 LSTM網(wǎng)絡(luò)訓(xùn)練
        3.2.3 LSTM模型評估
        3.2.4 基于LSTM網(wǎng)絡(luò)的數(shù)據(jù)異常檢測實驗結(jié)果分析
    3.3 基于多視圖學(xué)習(xí)的數(shù)據(jù)填補
        3.3.1 基于多視圖學(xué)習(xí)的數(shù)據(jù)填補方法基本思想
        3.3.2 基于多視圖學(xué)習(xí)的數(shù)據(jù)填補實驗
        3.3.3 基于多視圖學(xué)習(xí)的數(shù)據(jù)填補實驗結(jié)果
    3.4 本章小結(jié)
4 基于數(shù)值氣象預(yù)報的風(fēng)功率預(yù)測模型
    4.1 數(shù)值氣象預(yù)報匹配
        4.1.1 數(shù)值氣象預(yù)報匹配方法簡介
        4.1.2 數(shù)值氣象預(yù)報匹配實驗
    4.2 基于深度神經(jīng)網(wǎng)絡(luò)的功率預(yù)測模型
        4.2.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計
        4.2.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練
        4.2.3 預(yù)測模型效果驗證
    4.3 本章小結(jié)
5 基于LSTM的風(fēng)機(jī)凝凍預(yù)測
    5.1 凝凍預(yù)測的原理簡介
    5.2 基于LSTM的溫度濕度預(yù)測模型
        5.2.1 LSTM模型設(shè)計
        5.2.2 LSTM模型訓(xùn)練
        5.2.3 基于LSTM的時間序列預(yù)測效果驗證
    5.3 基于LSTM的溫度濕度預(yù)測模型的應(yīng)用
    5.4 本章小結(jié)
6 結(jié)論
參考文獻(xiàn)
附錄A
作者簡歷及攻讀碩士學(xué)位期間取得的研究成果
學(xué)位論文數(shù)據(jù)集


【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]一種結(jié)合CNN和GRU網(wǎng)絡(luò)的超短期風(fēng)電預(yù)測模型[J]. 薛陽,王琳,王舒,張亞飛,張寧.  可再生能源. 2019(03)
[3]基于LSTM神經(jīng)網(wǎng)絡(luò)的復(fù)合變量電動汽車充電負(fù)荷預(yù)測方法技術(shù)研究[J]. 王琨,高敬更,張勇紅,魏立兵,李鵬,楊春光,董智穎.  工業(yè)儀表與自動化裝置. 2019(01)
[4]基于ARIMA誤差修正的混合預(yù)測方法[J]. 盛秀梅,張仲榮.  洛陽理工學(xué)院學(xué)報(自然科學(xué)版). 2018(04)
[5]ARIMA模型和ARIMA-GRNN模型在AIDS發(fā)病預(yù)測中的應(yīng)用[J]. 王雅文,沈忠周,嚴(yán)寶湖,楊銀.  中華疾病控制雜志. 2018(12)
[6]基于LSTM時間序列重建的生產(chǎn)裝置異常檢測[J]. 竇珊,張廣宇,熊智華.  化工學(xué)報. 2019(02)
[7]面向大數(shù)據(jù)的多維數(shù)據(jù)缺失特征填補仿真研究[J]. 李彥,劉軍.  計算機(jī)仿真. 2018(10)
[8]采用長短期記憶深度學(xué)習(xí)模型的工業(yè)負(fù)荷短期預(yù)測方法[J]. 楊甲甲,劉國龍,趙俊華,文福拴,董朝陽.  電力建設(shè). 2018(10)
[9]BP神經(jīng)網(wǎng)絡(luò)在風(fēng)電場功率預(yù)測中的應(yīng)用[J]. 羅恩博,蘇適,陸海,劉友寬,伍陽陽,李黎,洪思源.  云南電力技術(shù). 2018(04)
[10]基于LSTM的動態(tài)圖模型異常檢測算法研究[J]. 王凱,陳丹偉.  計算機(jī)工程與應(yīng)用. 2019(05)

博士論文
[1]風(fēng)電場功率短期預(yù)測方法研究[D]. 韓爽.華北電力大學(xué)（北京） 2008

碩士論文
[1]基于深度學(xué)習(xí)的風(fēng)電功率預(yù)測方法研究[D]. 張浩.華北電力大學(xué)(北京) 2017
[2]基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場功率預(yù)測研究及應(yīng)用[D]. 潘志剛.上海電機(jī)學(xué)院 2016



本文編號：3659557