隨著化石能源的消耗和日益突出的環(huán)境污染問題,風電作為一種儲量巨大的可再生清潔能源,受到世界各國的廣泛關注。我國風電總裝機容量已位居世界第一,由于采用風電集中并網(wǎng)的開發(fā)模式,電網(wǎng)受風電波動性影響的問題十分嚴重,也影響了風電自身的發(fā)展前景。利用風電功率預測技術實現(xiàn)風電功率的準確預測,有利于風電的上網(wǎng)競價、減少棄風、緩解風電并網(wǎng)對電網(wǎng)的不利影響等,實現(xiàn)雙贏的目標。目前,組合預測模型是風電功率預測研究的一大熱點,然而如何選擇單項預測模型以及組合方式,還值得進一步探討。同時,如何提高風電功率預測模型的超短期多步預測性能,仍然值得探索。圍繞以上問題,論文展開了風電功率超短期預測的相關研究。提出一種基于灰色關聯(lián)度理論的單項預測模型篩選方法。在建立風電功率組合預測模型前,需要從預測模型集合中篩選出備用的單項預測模型。本文所提方法給出了單項預測模型的選擇標準,避免了直接給定單項預測模型的主觀性和盲目性,確保了篩選出的備用單項預測模型的合理性和有效性。提出一種基于不同優(yōu)化準則和廣義回歸神經(jīng)網(wǎng)絡的風電功率非線性組合預測模型。利用篩選出的單項預測模型建立基于不同優(yōu)化準則的線性組合預測模型,為兼顧不同準則下的優(yōu)化效果,利用廣義回歸神經(jīng)網(wǎng)絡對各優(yōu)化準則下的線性模型進行非線性加權組合,得到優(yōu)化模型。對風電場實測數(shù)據(jù)進行仿真分析,結果表明:所提優(yōu)化模型的各項指標相比于改進前都有所改善,有效的提高了風電功率超短期預測精度�？紤]到梯度下降算法求解自適應小波神經(jīng)網(wǎng)絡(AWNN)的權值和閾值時易陷入局部極小的缺陷,提出一種改進PSO-DE算法優(yōu)化AWNN的權值和閾值。粒子群(PSO)算法和差分進化(DE)算法的新個體產(chǎn)生方式不同,將兩者相結合,引入一種信息溝通機制搭建兩個種群之間信息自由交流的橋梁,有利于避免單個啟發(fā)式算法因信息判斷錯誤而陷入局部極小。利用改進模型對風電功率進行超短期多步預測,并進行仿真分析,結果表明:改進PSO-DE算法有效的優(yōu)化了AWNN的權值和閾值,所提模型具有較高的超前多步預測精度和良好的工程實用價值。
【學位授予單位】：重慶大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TM614
文章目錄
中文摘要
英文摘要
1 緒論
1.1 研究背景與意義
1.1.1 研究背景
1.1.2 研究意義
1.2 風電功率預測方法
1.2.1 風電功率預測方法分類
1.2.2 風電功率預測方法介紹
1.3 國內(nèi)外風電功率預測系統(tǒng)研究現(xiàn)狀
1.3.1 國外風電功率預測系統(tǒng)研究現(xiàn)狀
1.3.2 國內(nèi)風電功率預測系統(tǒng)研究現(xiàn)狀
1.4 本論文工作
2 風電功率預測的基本理論介紹
2.1 引言
2.2 各單項預測方法
2.2.1 BP神經(jīng)網(wǎng)絡
2.2.2 ELM方法
2.2.3 時間序列法
2.2.4 SVM方法
2.2.5 RBF神經(jīng)網(wǎng)絡
2.2.6 GRNN神經(jīng)網(wǎng)絡
2.3 時間序列的混沌屬性
2.3.1 識別時間序列的混沌屬性
2.3.2 時間序列的相空間重構
2.4 本章小結
3 基于不同優(yōu)化準則和GRNN的風電功率非線性組合預測
3.1 引言
3.2 灰色關聯(lián)度基本理論
3.3 單項預測模型的選擇
3.3.1 單項預測模型的相對灰色關聯(lián)度
3.3.2 基于綜合灰色關聯(lián)度的單項模型篩選方法
3.4 優(yōu)化模型
3.4.1 構造線性組合模型
3.4.2 優(yōu)化模型的建立
3.5 算例分析
3.5.1 單項預測模型的訓練
3.5.2 單項預測模型的篩選
3.5.3 基于不同優(yōu)化準則的線性組合模型
3.5.4 GRNN非線性組合模型預測效果分析
3.6 本章小結
4 基于改進PSO-DE優(yōu)化AWNN的風電功率超短期多步預測
4.1 引言
4.2 自適應小波神經(jīng)網(wǎng)絡模型
4.2.1 小波分析理論
4.2.2 自適應小波神經(jīng)網(wǎng)絡
4.2.3 AWNN網(wǎng)絡結構的確定
4.3 改進粒子群和差分進化混合算法
4.3.1 粒子群(PSO)算法
4.3.2 差分進化(DE)算法
4.3.3 改進PSO-DE算法
4.4 風電功率預測模型
4.4.1 風電功率多步預測
4.4.2 預測模型流程
4.5 算例分析
4.5.1 仿真參數(shù)設置
4.5.2 仿真結果
4.6 本章小結
5 結論和展望
5.1 結論
5.2 展望
致謝
參考文獻
附錄
A.作者在攻讀碩士期間發(fā)表的論文
B.作者在攻讀碩士期間參加的科研項目
【參考文獻】
相關期刊論文 前10條
1 徐青山;鄭維高;卞海紅;張樂;黃煜;;考慮游程檢測法重構的EMD-Elman風電功率短時組合預測[J];太陽能學報;2015年12期
2 梁沛;盧繼平;鐘璐;張奮強;;非迭代與分時段最優(yōu)的風電功率短期預測[J];電網(wǎng)技術;2015年10期
3 江岳春;張丙江;邢方方;張雨;王志剛;;基于混沌時間序列GA-VNN模型的超短期風功率多步預測[J];電網(wǎng)技術;2015年08期
4 陳燁;高亞靜;張建成;;基于離散Hopfield模式識別樣本的GRNN非線性組合短期風速預測模型[J];電力自動化設備;2015年08期
5 雷慶坤;李生虎;陳曦鳴;王艷艷;華玉婷;;基于改進的LMD和GRNN組合風速預測[J];合肥工業(yè)大學學報(自然科學版);2015年07期
6 張露;盧繼平;梅亦蕾;朱三立;;基于不同優(yōu)化準則的風電功率預測[J];電力自動化設備;2015年05期
7 薛禹勝;郁琛;趙俊華;Kang LI;Xueqin LIU;Qiuwei WU;Guangya YANG;;關于短期及超短期風電功率預測的評述[J];電力系統(tǒng)自動化;2015年06期
8 王東風;王富強;牛成林;;小波分解層數(shù)及其組合分量對短期風速多步預測的影響分析[J];電力系統(tǒng)保護與控制;2014年08期
9 柳玉;曾德良;劉吉臻;白愷;宋鵬;;基于小波包變換的最小二乘支持向量機短期風速多步預測和信息�；A測的研究[J];太陽能學報;2014年02期
10 王賀;胡志堅;陳珍;仉夢林;賀建波;李晨;;基于集合經(jīng)驗模態(tài)分解和小波神經(jīng)網(wǎng)絡的短期風功率組合預測[J];電工技術學報;2013年09期
相關碩士學位論文 前7條
1 馬斌;基于人工智能的短期風電功率組合預測研究[D];西南交通大學;2016年
2 張露;風電功率組合預測模型的研究[D];重慶大學;2015年
3 朱思萌;風電場輸出功率概率預測理論與方法[D];山東大學;2014年
4 劉榮;基于Elman神經(jīng)網(wǎng)絡的短期負荷預測[D];浙江大學;2013年
5 寧美鳳;風速及風電功率短期預測方法研究[D];鄭州大學;2012年
6 劉艷萍;風電場出力的短期預測研究[D];華北電力大學;2011年
7 楊良軍;基于灰色關聯(lián)度和理想解法的變壓器狀態(tài)維修策略決策[D];重慶大學;2009年
本文編號：
2677844
本文鏈接：http://sikaile.net/kejilunwen/dianlilw/2677844.html
