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

【摘要】：由于風(fēng)能的波動性和間歇性，導(dǎo)致風(fēng)力發(fā)電的輸出功率的波動性和不穩(wěn)定性，對風(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)定運行的前提下盡可能多的接納風(fēng)電，對風(fēng)電場輸出功率做出準(zhǔn)確的預(yù)測就變得非常重要。 本文采用最小二乘支持向量機來建立風(fēng)電功率的短期預(yù)測模型。由于最小二乘支持向量機的核函數(shù)和超參數(shù)對預(yù)測模型的性能影響很大，本文分別基于不同核函數(shù)對建立最小二乘支持向量機預(yù)測模型，選出了一種最優(yōu)核函數(shù)；采用引力搜索算法對超參數(shù)進行選擇，建立GSA-LSSVM風(fēng)電功率預(yù)測模型，將結(jié)果與支持向量機模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(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模型的預(yù)測精度更高，表明這種模型是一種更可靠的風(fēng)電功率短期預(yù)測模型。 常規(guī)的預(yù)測問題只能做出確定性的點預(yù)測，但是風(fēng)電功率的預(yù)測存在一定水平的誤差。為了確定某預(yù)測值出現(xiàn)的概率，考慮對風(fēng)電功率進行不確定性的概率預(yù)測，構(gòu)建每個預(yù)測點的置信預(yù)測區(qū)間。本文采用非參數(shù)估計方法進行風(fēng)電功率的短期區(qū)間預(yù)測，基于LSSVM回歸模型的線性光滑屬性，計算預(yù)測點的方差和偏差估計值，，來構(gòu)建不同置信度下的風(fēng)電場短期預(yù)測功率的置信區(qū)間。 基于上述風(fēng)電功率的短期預(yù)測的單點預(yù)測和區(qū)間預(yù)測理論，本文基于Matlab平臺進行風(fēng)電功率預(yù)測算法進行仿真，為方便預(yù)測算法的可視化操作，采用Matlab用戶圖形界面設(shè)計實現(xiàn)了風(fēng)電功率短期預(yù)測系統(tǒng)。本系統(tǒng)基于Matlab界面設(shè)計平臺GUIDE，實現(xiàn)了風(fēng)電功率的單點預(yù)測和區(qū)間預(yù)測，設(shè)計實現(xiàn)了簡便美觀的用戶界面以及菜單欄，實現(xiàn)了數(shù)據(jù)導(dǎo)入、模型選擇等模塊，并圖形展示了預(yù)測結(jié)果和預(yù)測誤差值。
[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)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TM614

【相似文獻】

相關(guān)期刊論文 前10條

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

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

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

4 張濤;段淑敏;;支持向量機在中醫(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;2007年03期

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

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

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

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學(xué)院學(xué)報;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[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學(xué)院學(xué)報(自然科學(xué)版);2008年02期

相關(guān)會議論文 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風(fēng)險評估模型[A];第六屆（2011）中國管理學(xué)年會——商務(wù)智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學(xué)會2005年信息技術(shù)與信息化研討會論文集（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學(xué)習(xí)方法[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（下冊）[C];2008年

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

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長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方法預(yù)測膜蛋白類型[A];第十一次中國生物物理學(xué)術(shù)大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

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

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

10 侯澍e

本文編號：1931594