本文選題：風(fēng)電功率預(yù)測(cè) + 最小二乘支持向量機(jī)　； 參考：《華中科技大學(xué)》2014年碩士論文

【摘要】：由于風(fēng)能的波動(dòng)性和間歇性，導(dǎo)致風(fēng)力發(fā)電的輸出功率的波動(dòng)性和不穩(wěn)定性，對(duì)風(fēng)電并網(wǎng)和電力系統(tǒng)調(diào)度造成了很大的沖擊，嚴(yán)重阻礙了大規(guī)模風(fēng)電接入電力系統(tǒng)。為了在保障電網(wǎng)安全穩(wěn)定運(yùn)行的前提下盡可能多的接納風(fēng)電，對(duì)風(fēng)電場(chǎng)輸出功率做出準(zhǔn)確的預(yù)測(cè)就變得非常重要。 本文采用最小二乘支持向量機(jī)來(lái)建立風(fēng)電功率的短期預(yù)測(cè)模型。由于最小二乘支持向量機(jī)的核函數(shù)和超參數(shù)對(duì)預(yù)測(cè)模型的性能影響很大，本文分別基于不同核函數(shù)對(duì)建立最小二乘支持向量機(jī)預(yù)測(cè)模型，選出了一種最優(yōu)核函數(shù)；采用引力搜索算法對(duì)超參數(shù)進(jìn)行選擇，建立GSA-LSSVM風(fēng)電功率預(yù)測(cè)模型，將結(jié)果與支持向量機(jī)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果比較，結(jié)果表明采用ERBF核函數(shù)和GSA參數(shù)優(yōu)化的最小二乘支持向量機(jī)模型的預(yù)測(cè)精度更高，表明這種模型是一種更可靠的風(fēng)電功率短期預(yù)測(cè)模型。 常規(guī)的預(yù)測(cè)問(wèn)題只能做出確定性的點(diǎn)預(yù)測(cè)，但是風(fēng)電功率的預(yù)測(cè)存在一定水平的誤差。為了確定某預(yù)測(cè)值出現(xiàn)的概率，考慮對(duì)風(fēng)電功率進(jìn)行不確定性的概率預(yù)測(cè)，構(gòu)建每個(gè)預(yù)測(cè)點(diǎn)的置信預(yù)測(cè)區(qū)間。本文采用非參數(shù)估計(jì)方法進(jìn)行風(fēng)電功率的短期區(qū)間預(yù)測(cè)，基于LSSVM回歸模型的線性光滑屬性，計(jì)算預(yù)測(cè)點(diǎn)的方差和偏差估計(jì)值，，來(lái)構(gòu)建不同置信度下的風(fēng)電場(chǎng)短期預(yù)測(cè)功率的置信區(qū)間。 基于上述風(fēng)電功率的短期預(yù)測(cè)的單點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)理論，本文基于Matlab平臺(tái)進(jìn)行風(fēng)電功率預(yù)測(cè)算法進(jìn)行仿真，為方便預(yù)測(cè)算法的可視化操作，采用Matlab用戶圖形界面設(shè)計(jì)實(shí)現(xiàn)了風(fēng)電功率短期預(yù)測(cè)系統(tǒng)。本系統(tǒng)基于Matlab界面設(shè)計(jì)平臺(tái)GUIDE，實(shí)現(xiàn)了風(fēng)電功率的單點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè)，設(shè)計(jì)實(shí)現(xiàn)了簡(jiǎn)便美觀的用戶界面以及菜單欄，實(shí)現(xiàn)了數(shù)據(jù)導(dǎo)入、模型選擇等模塊，并圖形展示了預(yù)測(cè)結(jié)果和預(yù)測(cè)誤差值。
[Abstract]:Because of the volatility and intermittency of wind energy, the output power of wind power is fluctuating and unstable, which has a great impact on wind power grid connection and power system scheduling, and seriously hinders large-scale wind power access to power system. In order to accept wind power as much as possible under the premise of ensuring the safe and stable operation of power grid, it is very important to make accurate prediction of the output power of wind farm. In this paper, the least square support vector machine (LS-SVM) is used to establish the short-term prediction model of wind power. Because the kernel function and superparameter of least square support vector machine (LS-SVM) have great influence on the performance of prediction model, this paper establishes a prediction model of LS-SVM based on different kernel function pairs, and selects an optimal kernel function. The super parameters are selected by gravity search algorithm, and the GSA-LSSVM wind power prediction model is established. The results are compared with those of support vector machine model and BP neural network. The results show that the least squares support vector machine model with ERBF kernel function and GSA parameter optimization is more accurate, which indicates that this model is a more reliable short-term wind power prediction model. The conventional prediction problem can only make deterministic point prediction, but there is a certain level of error in the prediction of wind power. In order to determine the probability of the occurrence of a certain prediction value, the probabilistic prediction of wind power uncertainty is considered, and the confidence prediction interval of each prediction point is constructed. In this paper, the method of nonparametric estimation is used to predict the short-term interval of wind power. Based on the linear smooth property of LSSVM regression model, the variance and deviation estimate of the prediction point are calculated. To construct the confidence interval of short-term predictive power of wind farm under different confidence levels. Based on the theory of single-point prediction and interval prediction for short-term wind power prediction, this paper simulates the wind power prediction algorithm based on Matlab platform, in order to facilitate the visualization operation of the prediction algorithm. The short-term wind power prediction system is designed and implemented with Matlab user interface. Based on the design platform of Matlab interface, the system realizes the single point prediction and interval prediction of wind power, designs and implements a simple and beautiful user interface and menu bar, and realizes the modules of data import, model selection and so on. The result and error of prediction are shown in figure.
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：TM614

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機(jī)和小波分解的氣體識(shí)別研究[J];儀器儀表學(xué)報(bào);2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機(jī)的一個(gè)邊界樣本修剪方法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年07期

3 張菁華;袁鑫;劉達(dá);;基于支持向量機(jī)的電力工程最優(yōu)投標(biāo)報(bào)價(jià)決策研究[J];山東電力高等�？茖W(xué)校學(xué)報(bào);2006年04期

4 張濤;段淑敏;;支持向量機(jī)在中醫(yī)疾病癥候診斷中的應(yīng)用[J];華北水利水電學(xué)院學(xué)報(bào);2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機(jī)回歸[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年S2期

6 陳丹;;多類支持向量機(jī)算法的研究[J];東莞理工學(xué)院學(xué)報(bào);2007年05期

7 程麗麗;張健沛;馬駿;;一種改進(jìn)的加權(quán)邊界調(diào)節(jié)支持向量機(jī)算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2007年10期

8 宋召青;崔和;胡云安;;支持向量機(jī)理論的研究與進(jìn)展[J];海軍航空工程學(xué)院學(xué)報(bào);2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機(jī)[J];黑龍江交通科技;2008年12期

10 許超;運(yùn)士偉;舒云星;;基于支持向量機(jī)的混凝土測(cè)強(qiáng)換算模型[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年02期

相關(guān)會(huì)議論文 前10條

1 余樂(lè)安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e

本文編號(hào)：1931594