隨著煤炭,石油和天然氣等化石燃料的不斷消耗,可再生能源問題已成為世界關(guān)注的焦點。風(fēng)能是可再生清潔能源,具有很強(qiáng)的隨機(jī)性和間歇性。由于風(fēng)電出力的波動性會降低電力系統(tǒng)的可靠性,所以建立一個高精度的風(fēng)電場風(fēng)電功率預(yù)測模型至關(guān)重要。本文針對風(fēng)電功率預(yù)測展開以下幾個方面研究:(1)針對數(shù)據(jù)預(yù)處理問題,即如何選取與風(fēng)電功率相關(guān)性較強(qiáng)氣象特征的作為預(yù)測模型的輸入量,引入Copula理論進(jìn)行相關(guān)性分析。首先對風(fēng)電功率和當(dāng)?shù)貧庀筇卣髦g的相關(guān)性進(jìn)行總體分析,利用秩相關(guān)系數(shù)及歐式距離選取最優(yōu)Copula函數(shù);其次在微觀角度采用BEMD分解算法對風(fēng)電功率與氣象特征進(jìn)行分解并進(jìn)一步分析兩者之間相關(guān)性,最后選取相關(guān)性較強(qiáng)的氣象特征作為預(yù)測模型的輸入量。(2)考慮到Elman神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題,提出可變學(xué)習(xí)速率Elman神經(jīng)網(wǎng)絡(luò)(VSELMAN)。這種方法可以使網(wǎng)絡(luò)始終保持以最大速率進(jìn)行訓(xùn)練。(3)首先考慮到VSELMAN神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化的問題,采用螢火蟲算法(FA)進(jìn)行優(yōu)化;然后針對螢火蟲算法步長固定的問題引入模糊邏輯構(gòu)造一種模糊螢火蟲算法(FFA),并進(jìn)行實驗對比螢火蟲算法與模糊螢火蟲算法,結(jié)果表明模糊螢火...

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 風(fēng)電功率預(yù)測的研究背景及意義
        1.1.1 風(fēng)電功率預(yù)測研究背景
        1.1.2 風(fēng)電功率預(yù)測研究意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外風(fēng)電功率預(yù)測研究現(xiàn)狀
        1.2.2 國內(nèi)風(fēng)電功率預(yù)測研究現(xiàn)狀
    1.3 論文主要內(nèi)容和章節(jié)安排
第二章 基于Copula理論的氣象數(shù)據(jù)與風(fēng)電功率相關(guān)性分析及數(shù)據(jù)預(yù)處理
    2.1 引言
    2.2 Copula理論
        2.2.1 Copula函數(shù)定義與性質(zhì)
        2.2.2 常見Copula函數(shù)
    2.3 相關(guān)性指標(biāo)
        2.3.1 Kendall秩相關(guān)系數(shù)
        2.3.2 Spearman秩相關(guān)系數(shù)
    2.4 Copula函數(shù)的參數(shù)估計與最優(yōu)Copula函數(shù)選擇
    2.5 總體相關(guān)性分析
        2.5.1 相關(guān)性分析具體步驟
        2.5.2 風(fēng)電功率與平均風(fēng)速總體數(shù)據(jù)相關(guān)性分析
        2.5.3 風(fēng)電功率與平均溫度總體數(shù)據(jù)相關(guān)性分析
        2.5.4 風(fēng)電功率與平均水汽壓總體數(shù)據(jù)相關(guān)性分析
        2.5.5 風(fēng)電功率與日總輻射總體數(shù)據(jù)相關(guān)性分析
    2.6 微觀相關(guān)性分析
        2.6.1 BEMD原理
        2.6.2 BEMD算法具體步驟
        2.6.3 BEMD與 EMD對比
        2.6.4 微觀相關(guān)性分析具體步驟
        2.6.5 實測數(shù)據(jù)分析
    2.7 本章小結(jié)
第三章 基于FFA優(yōu)化VSELMAN網(wǎng)絡(luò)模型
    3.1 人工神經(jīng)網(wǎng)絡(luò)
        3.1.1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 神經(jīng)網(wǎng)絡(luò)的工作過程及特點
    3.2 BP神經(jīng)網(wǎng)絡(luò)
        3.2.1 多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        3.2.2 BP學(xué)習(xí)算法
    3.3 Elman神經(jīng)網(wǎng)絡(luò)
        3.3.1 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 Elman神經(jīng)網(wǎng)絡(luò)原理及算法描述
    3.4 可變學(xué)習(xí)速度ELMAN神經(jīng)網(wǎng)絡(luò)(VSELMAN)
        3.4.1 Elman網(wǎng)絡(luò)分析
        3.4.2 可變學(xué)習(xí)速率方法
    3.5 短期風(fēng)電功率預(yù)測的VSELMAN神經(jīng)網(wǎng)絡(luò)設(shè)計
        3.5.1 樣本數(shù)據(jù)的處理
        3.5.2 網(wǎng)絡(luò)的層數(shù)
        3.5.3 隱含層的神經(jīng)元數(shù)
        3.5.4 初始權(quán)值的選取
    3.6 模糊螢火蟲優(yōu)化算法(FFA)
        3.6.1 模糊理論簡介
        3.6.2 螢火蟲算法原理
        3.6.3 螢火蟲算法基本組成
        3.6.4 模糊螢火蟲算法原理
        3.6.5 模糊螢火蟲算法流程
        3.6.6 模糊控制器輸入變量
        3.6.7 模糊控制器變量的模糊化及規(guī)則
    3.7 FFA優(yōu)化問題求解
        3.7.1 測試函數(shù)
        3.7.2 實驗結(jié)果與分析
    3.8 模糊螢火蟲算法優(yōu)化VSELMAN網(wǎng)絡(luò)
        3.8.1 FFA-VSELMAN神經(jīng)網(wǎng)絡(luò)預(yù)測步驟
    3.9 本章小結(jié)
第四章 基于FFA-VSELMAN模型短期風(fēng)電功率預(yù)測仿真及結(jié)果分析
    4.1 實驗數(shù)據(jù)及性能評價指標(biāo)
    4.2 對比實驗及結(jié)果分析
        4.2.1 BP神經(jīng)網(wǎng)絡(luò)與Elman神經(jīng)網(wǎng)絡(luò)分析
        4.2.2 VSELMAN、FA-VSELMAN預(yù)測對比分析
        4.2.3 FA-VSELMAN、FFA-VSELMAN預(yù)測對比實驗
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 進(jìn)一步研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的研究成果



本文編號：3763004