本文關(guān)鍵詞：基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電場(chǎng)功率預(yù)測(cè)研究及應(yīng)用

  更多相關(guān)文章： 風(fēng)電 功率預(yù)測(cè) 深度學(xué)習(xí)網(wǎng)絡(luò) 組合預(yù)測(cè) 功率預(yù)測(cè)系統(tǒng)

【摘要】：隨著我國風(fēng)電裝機(jī)容量的不斷增長(zhǎng),大規(guī)模風(fēng)電的接入對(duì)電網(wǎng)的影響越來越明顯。對(duì)風(fēng)電功率進(jìn)行準(zhǔn)確有效的預(yù)測(cè)能夠減少風(fēng)電接入對(duì)電網(wǎng)的不良影響,優(yōu)化電網(wǎng)調(diào)度�？梢�,對(duì)風(fēng)電功率預(yù)測(cè)方面的研究有著重要的現(xiàn)實(shí)意義。本文以上海崇明北沿風(fēng)場(chǎng)為對(duì)象,基于深度學(xué)習(xí)網(wǎng)絡(luò)建立了功率智能預(yù)測(cè)的模型,對(duì)該模型的實(shí)用性進(jìn)行探討,并研究該模型與其他預(yù)測(cè)模型的組合預(yù)測(cè),最后基于該模型以及需求分析研發(fā)設(shè)計(jì)風(fēng)電功率預(yù)測(cè)系統(tǒng),主要做了以下四個(gè)方面的工作:1.對(duì)數(shù)值天氣預(yù)報(bào)數(shù)據(jù)進(jìn)行了預(yù)處理和統(tǒng)計(jì)分析,分析結(jié)果表明數(shù)值天氣預(yù)報(bào)的風(fēng)速數(shù)據(jù)與實(shí)際風(fēng)速偏差較大,有必要對(duì)其進(jìn)行校正。通過相關(guān)性分析得知數(shù)值天氣預(yù)報(bào)風(fēng)速與實(shí)際風(fēng)速的關(guān)系,能夠?qū)ζ溥M(jìn)行校正。2.基于深度學(xué)習(xí)網(wǎng)絡(luò)建立了數(shù)值天氣預(yù)報(bào)數(shù)據(jù)的校正模型,并將仿真計(jì)算后得到的校正數(shù)據(jù)作為功率輸出模型的輸入?yún)?shù)。基于深度學(xué)習(xí)網(wǎng)絡(luò)建立了考慮風(fēng)速、風(fēng)向、溫度、氣壓和歷史功率的風(fēng)機(jī)功率輸出模型,通過仿真計(jì)算,預(yù)測(cè)24小時(shí)內(nèi)各風(fēng)機(jī)的有功輸出情況。結(jié)果表明,深度學(xué)習(xí)網(wǎng)絡(luò)比一般的多層BP網(wǎng)絡(luò)的預(yù)測(cè)精度要高,驗(yàn)證了該方法的有效性。3.提出了一種新的組合預(yù)測(cè)模型,建立了基于深度學(xué)習(xí)網(wǎng)絡(luò)模型、支持向量機(jī)模型和自回歸滑動(dòng)平均模型的組合預(yù)測(cè)模型,并分別與其它三種組合預(yù)測(cè)模型(支持向量機(jī)模型與自回歸滑動(dòng)平均模型的組合預(yù)測(cè)模型;深度學(xué)習(xí)網(wǎng)絡(luò)模型與支持向量機(jī)模型的組合預(yù)測(cè)模型;深度學(xué)習(xí)網(wǎng)絡(luò)模型與自回歸滑動(dòng)平均模型的組合預(yù)測(cè)模型)進(jìn)行仿真比較:仿真結(jié)果表明,深度學(xué)習(xí)網(wǎng)絡(luò)在組合預(yù)測(cè)中的實(shí)用性較強(qiáng),預(yù)測(cè)精度較高。4.利用上海輸配電集團(tuán)技術(shù)中心的開發(fā)平臺(tái),參與設(shè)計(jì)了一套基于組合預(yù)測(cè)模型的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)系統(tǒng),該系統(tǒng)包括風(fēng)機(jī)數(shù)據(jù)采集,核心數(shù)據(jù)庫,算法程序,預(yù)測(cè)數(shù)據(jù)發(fā)布四個(gè)模塊。實(shí)際運(yùn)行結(jié)果表明,上述組合預(yù)測(cè)算法能提高風(fēng)電場(chǎng)功率預(yù)測(cè)精度,驗(yàn)證了該組合預(yù)測(cè)的有效性。
【關(guān)鍵詞】：風(fēng)電 功率預(yù)測(cè) 深度學(xué)習(xí)網(wǎng)絡(luò) 組合預(yù)測(cè) 功率預(yù)測(cè)系統(tǒng)
【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12-21
• 1.1 課題研究背景及意義12-14
• 1.2 國內(nèi)外風(fēng)電功率預(yù)測(cè)研究現(xiàn)狀14-17
• 1.3 風(fēng)電功率短期預(yù)測(cè)方法17-19
• 1.3.1 風(fēng)電功率短期預(yù)測(cè)方法分類17-18
• 1.3.2 風(fēng)電功率預(yù)測(cè)誤差指標(biāo)18-19
• 1.4 本文研究?jī)?nèi)容和章節(jié)安排19-21
• 第二章數(shù)據(jù)的統(tǒng)計(jì)規(guī)律研究及處理21-33
• 2.1 引言21
• 2.2 數(shù)據(jù)預(yù)處理21-23
• 2.3 數(shù)值天氣預(yù)報(bào)數(shù)據(jù)統(tǒng)計(jì)規(guī)律研究23-32
• 2.3.1 數(shù)值天氣預(yù)報(bào)23-24
• 2.3.2 數(shù)值天氣預(yù)報(bào)數(shù)據(jù)校正24
• 2.3.3 數(shù)值天氣預(yù)報(bào)風(fēng)速數(shù)據(jù)分析24-31
• 2.3.4 數(shù)值天氣預(yù)報(bào)風(fēng)向數(shù)據(jù)分析與處理31-32
• 2.4 本章小結(jié)32-33
• 第三章建立基于深度學(xué)習(xí)網(wǎng)絡(luò)的功率預(yù)測(cè)模型33-47
• 3.1 引言33
• 3.2 深度學(xué)習(xí)網(wǎng)絡(luò)算法33-38
• 3.2.1 深度學(xué)習(xí)網(wǎng)絡(luò)33-34
• 3.2.2 深度信念網(wǎng)絡(luò)(DBN)34
• 3.2.3 限制玻爾茲曼機(jī)(RBM)模型參數(shù)分析34-36
• 3.2.4 深度信念網(wǎng)絡(luò)的訓(xùn)練方法36-38
• 3.3 建立基于深度學(xué)習(xí)網(wǎng)絡(luò)的數(shù)值天氣預(yù)報(bào)校正模型38-41
• 3.3.1 建立數(shù)值天氣預(yù)報(bào)校正模型38-39
• 3.3.2 實(shí)例分析39-41
• 3.4 建立基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)模型41-46
• 3.4.1 建立單臺(tái)風(fēng)機(jī)的風(fēng)電功率預(yù)測(cè)模型41-42
• 3.4.2 基于深度學(xué)習(xí)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)流程42-44
• 3.4.3 實(shí)例分析44-46
• 3.5 本章小結(jié)46-47
• 第四章基于深度學(xué)習(xí)網(wǎng)絡(luò)功率預(yù)測(cè)模型的組合預(yù)測(cè)研究47-70
• 4.1 引言47
• 4.2 基于支持向量機(jī)的風(fēng)電功率預(yù)測(cè)47-51
• 4.2.1 支持向量機(jī)47-50
• 4.2.2 建立支持向量機(jī)模型50-51
• 4.3 基于時(shí)間序列模型的風(fēng)電功率預(yù)測(cè)51-62
• 4.3.1 時(shí)間序列分析方法51-52
• 4.3.2 時(shí)間序列模型建模52-62
• 4.4 基于深度學(xué)習(xí)網(wǎng)絡(luò)模型風(fēng)功率組合預(yù)測(cè)研究62-66
• 4.4.1 基于最大信息熵原理的風(fēng)電功率組合預(yù)測(cè)62-63
• 4.4.2 建立基于最大信息熵原理的風(fēng)電功率組合預(yù)測(cè)模型63-66
• 4.5 預(yù)測(cè)結(jié)果及誤差分析66-69
• 4.6 本章小結(jié)69-70
• 第五章基于深度學(xué)習(xí)網(wǎng)絡(luò)功率預(yù)測(cè)模型的預(yù)測(cè)系統(tǒng)研究70-80
• 5.1 引言70
• 5.2 需求分析和功能模塊70-72
• 5.2.1 需求分析70-71
• 5.2.2 系統(tǒng)功能模塊71-72
• 5.3 系統(tǒng)架構(gòu)設(shè)計(jì)與工作流程72-76
• 5.3.1 系統(tǒng)架構(gòu)設(shè)計(jì)72-74
• 5.3.2 系統(tǒng)部署74-76
• 5.4 系統(tǒng)應(yīng)用76-79
• 5.4.1 系統(tǒng)軟硬件要求76
• 5.4.2 系統(tǒng)展示76-79
• 5.5 本章小結(jié)79-80
• 第六章總結(jié)及展望80-82
• 6.1 論文工作總結(jié)80
• 6.2 課題研究展望80-82
• 參考文獻(xiàn)82-87
• 致謝87-88
• 攻讀碩士學(xué)位期間獲得的研究成果88

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張維杰;田建艷;王芳;張曉明;韓肖清;王鵬;;改進(jìn)型T-S模糊神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型的研究[J];自動(dòng)化儀表;2014年12期

2 劉代剛;周崢;楊楠;黃河;王震泉;許文超;;基于最小二乘支持向量機(jī)的風(fēng)功率短期預(yù)測(cè)[J];陜西電力;2014年10期

3 王欣;李勝剛;秦斌;劉俊杰;;基于模糊支持向量機(jī)的風(fēng)電場(chǎng)功率預(yù)測(cè)[J];新型工業(yè)化;2014年09期

4 黃辰;吳峻青;;基于人工神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)[J];華東電力;2014年07期

5 魯向擁;陳悅;張瞳;葛貝;;Deep Learning算法分析和模型改進(jìn)[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2014年06期

6 劉建偉;劉媛;羅雄麟;;玻爾茲曼機(jī)研究進(jìn)展[J];計(jì)算機(jī)研究與發(fā)展;2014年01期

7 王慕華;惠建忠;唐千紅;張正文;;風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];計(jì)算機(jī)與現(xiàn)代化;2013年07期

8 王文剛;劉建鵬;武環(huán)宇;陶亮;張節(jié)潭;;風(fēng)功率預(yù)測(cè)系統(tǒng)的應(yīng)用與優(yōu)化的討論[J];科技創(chuàng)新與應(yīng)用;2013年14期

9 秦政;包德梅;賴曉路;岳以洋;王媛媛;;風(fēng)電場(chǎng)風(fēng)功率預(yù)測(cè)系統(tǒng)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2013年07期

10 許沛華;陳正洪;谷春;詹天成;;風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)的設(shè)計(jì)與開發(fā)[J];水電能源科學(xué);2013年03期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 遲永寧;大型風(fēng)電場(chǎng)接入電網(wǎng)的穩(wěn)定性問題研究[D];中國電力科學(xué)研究院;2006年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前3條

1 孫翰墨;基于ARMA模型的風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)研究[D];華北電力大學(xué)（北京）;2011年

2 冷北雪;基于支持向量機(jī)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D];西南交通大學(xué);2010年

3 楊春波;基于灰色模型與人工神經(jīng)網(wǎng)絡(luò)的改進(jìn)組合預(yù)測(cè)模型及其應(yīng)用研究[D];山東師范大學(xué);2009年

，

本文編號(hào)：554061