隨著可再生能源的開發(fā)和利用取得令人矚目的成就,風(fēng)力發(fā)電也進(jìn)入了高速發(fā)展階段。但大規(guī)模風(fēng)電并網(wǎng),勢必給電力系統(tǒng)的安全穩(wěn)定運(yùn)行帶來巨大挑戰(zhàn)。風(fēng)速及風(fēng)功率預(yù)測是降低風(fēng)電并網(wǎng)成本和保證電能質(zhì)量的有效途徑。然而,由于風(fēng)能的間歇性和隨機(jī)性等因素對(duì)預(yù)測結(jié)果產(chǎn)生的影響,如何達(dá)到更準(zhǔn)確的預(yù)測是目前研究中的重要任務(wù)。為了提高風(fēng)速及功率的預(yù)測精度,實(shí)現(xiàn)高效的電網(wǎng)調(diào)度,本文研究了基于風(fēng)電場歷史數(shù)據(jù)的風(fēng)速及風(fēng)功率短期預(yù)測。主要研究內(nèi)容如下:1.為保證數(shù)據(jù)的可靠性和完整性,進(jìn)行數(shù)據(jù)預(yù)處理。首先采用孤立森林和基于鏈?zhǔn)椒匠痰亩嘀夭逖a(bǔ)相結(jié)合的方法對(duì)原始數(shù)據(jù)進(jìn)行異常值檢測和缺失值插補(bǔ)。其次考慮到歷史數(shù)據(jù)的采樣間隔短、數(shù)目多以及為了研究需要,通過調(diào)整時(shí)序間隔來整合數(shù)據(jù)信息。最后,采用最值歸一化處理實(shí)驗(yàn)數(shù)據(jù)。結(jié)果表明,異常數(shù)據(jù)基本檢測完全,對(duì)異常數(shù)據(jù)的修復(fù)和缺失數(shù)據(jù)的插補(bǔ)明顯提高了數(shù)據(jù)的完整性和可靠性,數(shù)據(jù)整合有效減少了計(jì)算資源的浪費(fèi),同時(shí)歸一化處理消除了數(shù)據(jù)量綱和數(shù)量級(jí)在預(yù)測過程產(chǎn)生的影響。2.為了在短期風(fēng)速預(yù)測中提高隨機(jī)森林算法的預(yù)測精度,提出了一種改進(jìn)果蠅算法優(yōu)化隨機(jī)森林回歸模型參數(shù)的組合預(yù)測方法。首先在果蠅優(yōu)化算法中...

【文章頁數(shù)】：76 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題的研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 風(fēng)電場功率預(yù)測系統(tǒng)發(fā)展現(xiàn)狀
        1.2.2 風(fēng)速和風(fēng)功率預(yù)測方法研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的組織結(jié)構(gòu)與安排
第2章 相關(guān)理論知識(shí)
    2.1 預(yù)測方法概述
        2.1.1 支持向量機(jī)
        2.1.2 最小二乘支持向量機(jī)
        2.1.3 隨機(jī)森林回歸
        2.1.4 反向傳播神經(jīng)網(wǎng)絡(luò)
        2.1.5 長短期記憶網(wǎng)絡(luò)
    2.2 信號(hào)分解技術(shù)
        2.2.1 集成經(jīng)驗(yàn)?zāi)B(tài)分解
        2.2.2 自適應(yīng)噪聲完整集合經(jīng)驗(yàn)?zāi)B(tài)分解
        2.2.3 變分模態(tài)分解
    2.3 智能優(yōu)化算法
        2.3.1 遺傳算法
        2.3.2 粒子群優(yōu)化算法
        2.3.3 果蠅優(yōu)化算法
        2.3.4 改進(jìn)的果蠅優(yōu)化算法
    2.4 本章小結(jié)
第3章 數(shù)據(jù)預(yù)處理
    3.1 引言
    3.2 異常檢測與缺失值插補(bǔ)
        3.2.1 孤立森林
        3.2.2 基于鏈?zhǔn)椒匠痰亩嘀夭逖a(bǔ)
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境
        3.3.2 異常值和缺失值處理
        3.3.3 數(shù)據(jù)間隔調(diào)整
        3.3.4 數(shù)據(jù)歸一化與反歸一化
    3.4 誤差評(píng)價(jià)指標(biāo)
    3.5 本章小結(jié)
第4章 基于改進(jìn)果蠅優(yōu)化算法和隨機(jī)森林的短期風(fēng)速預(yù)測
    4.1 引言
    4.2 模型優(yōu)化參數(shù)分析
    4.3 IFOA-RFR風(fēng)速預(yù)測模型
    4.4 實(shí)驗(yàn)結(jié)果及分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境
        4.4.2 參數(shù)設(shè)計(jì)
        4.4.3 優(yōu)化算法對(duì)比
        4.4.4 預(yù)測結(jié)果對(duì)比
    4.5 本章小結(jié)
第5章 基于變分模態(tài)分解和長短期記憶網(wǎng)絡(luò)的短期風(fēng)功率預(yù)測
    5.1 引言
    5.2 LSTM模型構(gòu)建
        5.2.1 LSTM模型結(jié)構(gòu)
        5.2.2 Adam算法
    5.3 VMD-LSTM風(fēng)功率預(yù)測模型
    5.4 實(shí)驗(yàn)結(jié)果及分析
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)和環(huán)境
        5.4.2 數(shù)據(jù)分解結(jié)果和實(shí)驗(yàn)設(shè)計(jì)
        5.4.3 實(shí)驗(yàn)結(jié)果
        5.4.4 對(duì)比分析
    5.5 本章小結(jié)
總結(jié)和展望
參考文獻(xiàn)
致謝
附錄 A 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文



本文編號(hào)：3795574