【摘要】：風(fēng)力發(fā)電在全球發(fā)電行業(yè)的發(fā)展中增長的最快。全球風(fēng)電裝機(jī)容量預(yù)計(jì)未來將持續(xù)增長,風(fēng)力資源的不確定性與多變性使得風(fēng)力發(fā)電場的輸出功率難以控制。因此,電力系統(tǒng)中大量風(fēng)電的整合,對電網(wǎng)的穩(wěn)定性與電力供應(yīng)的可靠性提出了一些重要的挑戰(zhàn)。風(fēng)電功率預(yù)測在風(fēng)力發(fā)電集成與運(yùn)行方面發(fā)揮著關(guān)鍵作用。另一方面,隨著電力系統(tǒng)的發(fā)展以及新能源的滲透,電力系統(tǒng)的復(fù)雜性與不確定性明顯增加,這使得電力負(fù)荷預(yù)測變得尤為重要。因此,在智能電網(wǎng)領(lǐng)域,風(fēng)電功率與電力負(fù)荷的預(yù)測均需要達(dá)到更加精確的效果,從而應(yīng)對智能電網(wǎng)運(yùn)行的成本較高和電力系統(tǒng)可靠性較低的問題。極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)作為針對單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-hidden Layer Feedforward Neural Networks,SLFNs)的一種快速機(jī)器學(xué)習(xí)方法,與采用梯度下降迭代算法的神經(jīng)網(wǎng)絡(luò)不同,它隨機(jī)確定輸入層與隱含層間的網(wǎng)絡(luò)權(quán)值,僅通過矩陣運(yùn)算得到網(wǎng)絡(luò)輸出。與核學(xué)習(xí)方法結(jié)合,核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)有效利用了ELM訓(xùn)練速度快且訓(xùn)練過程簡單的優(yōu)點(diǎn),同樣在分類與建模領(lǐng)域獲得廣泛應(yīng)用。本文則以核極限學(xué)習(xí)機(jī)方法為主線,結(jié)合生物地理學(xué)優(yōu)化算法(Biogeography-based Optimization,BBO)等策略,研究其在智能電網(wǎng)中的應(yīng)用,目的為進(jìn)一步提高風(fēng)電功率與電力負(fù)荷的預(yù)測精度。本文的主要研究內(nèi)容如下:(1)在ELM理論的基礎(chǔ)上,對KELM的基本學(xué)習(xí)算法及其RBF核函數(shù)和小波核函數(shù)進(jìn)行了深入研究,并考慮在求解過程中引入正則化系數(shù)η即使用正則化最小二乘算法,以便提高KELM方法的穩(wěn)定性與泛化能力。(2)將遺傳算法(Genetic Algorithms,GA)、微分演化(Differential Evolution,DE)、模擬退火(Simulated Annealing,SA)三種算法用于優(yōu)化核極限學(xué)習(xí)機(jī)的參數(shù)的選取,即RBF核函數(shù)和小波核函數(shù)的參數(shù)與正則化系數(shù)。將優(yōu)化的兩種不同核函數(shù)的核極限學(xué)習(xí)機(jī)方法應(yīng)用于某地區(qū)的中期峰值電力負(fù)荷預(yù)測實(shí)驗(yàn)中,并在同等條件下與支持向量機(jī)(Support Vector Machine,SVM)、優(yōu)化極限學(xué)習(xí)機(jī)(Optimization Extreme Learning Machine,O-ELM)等方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果表明,O-KELM方法相對于其他幾種方法有較好的預(yù)測效果,其中,小波核的O-KELM方法取得了最優(yōu)效果,小波核的DE-KELM算法建模精度最高。(3)將KELM方法與BBO優(yōu)化算法相結(jié)合,形成了一種基于BBO方法優(yōu)化的核極限學(xué)習(xí)機(jī)(Biogeography-based Optimized Kernel Extreme Learning Machine,BBO-KELM)的機(jī)器學(xué)習(xí)方法。將上述方法與現(xiàn)有的O-ELM等方法在同等條件下應(yīng)用于優(yōu)化選擇KELM的輸入結(jié)構(gòu),RBF核函數(shù)的參數(shù)以及Tikhonov正則化系數(shù),以進(jìn)一步提高KELM方法的學(xué)習(xí)性能。之后將BBO-KELM算法應(yīng)用于不同地區(qū)風(fēng)力發(fā)電場的風(fēng)電功率預(yù)測實(shí)驗(yàn)中,同時,在同等條件下與其他幾種方法進(jìn)行比較,從而得出具有余弦遷移模型的BBO-KELM2算法的預(yù)測結(jié)果最優(yōu)的結(jié)論。
【圖文】：

優(yōu)化核極限學(xué)習(xí)機(jī)方法在智能電網(wǎng)中的應(yīng)用限學(xué)習(xí)機(jī)理論 極限學(xué)習(xí)機(jī)ELM 作為一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，可以隨機(jī)生成輸入權(quán)值與偏置，然后分出權(quán)值，其關(guān)鍵思想是轉(zhuǎn)換由非線性優(yōu)化引起的難題，如輸入權(quán)值、隱含層偏確定以及使用一種簡單的最小二乘算法來確定最優(yōu)輸出權(quán)值，由于前兩者可以，因而輸出權(quán)值是唯一需要注意的問題，，這個想法與經(jīng)典的迭代學(xué)習(xí)方法完全1 給出了 ELM 方法的網(wǎng)絡(luò)結(jié)構(gòu)圖，由圖可見 ELM 包括三個分層，即輸入層輸出層。

表 3.2 O-KELM 方法與其他方法的性能指標(biāo)對比預(yù)測方法 MAE MAPE NMSE REPSVM 14.4104 1.9379 0.2905 2.5045ELM 12.6046 1.7023 0.2148 2.1537KELM（RBF 核） 11.8756 1.6067 0.2096 2.1272KELM（小波核）11.7817 1.5934 0.2084 2.1209GA-ELM 11.5560 1.5550 0.1732 1.9339DE-ELM 11.3716 1.5314 0.1720 1.9269SA-ELM 12.3088 1.6701 0.2037 2.0971GA-KELM（RBF 核） 10.3955 1.3917 0.1363 1.7153DE-KELM（RBF 核） 11.0329 1.4785 0.1559 1.8348SA-KELM（RBF 核） 11.7611 1.5673 0.2011 2.0083GA-KELM（小波核）11.7748 1.5925 0.1962 2.0579DE-KELM（小波核）9.9607 1.3376 0.1359 1.7316SA-KELM（小波核）11.6464 1.5750 0.1953 2.0533
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TM614

【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 牛東曉;李媛媛;乞建勛;劉達(dá);谷志紅;;基于經(jīng)驗(yàn)?zāi)Ｊ椒纸馀c因素影響的負(fù)荷分析方法[J];中國電機(jī)工程學(xué)報;2008年16期

2 靳忠偉;陳康民;閆偉;王桂華;;基于支持向量機(jī)的中長期電力負(fù)荷預(yù)測研究與應(yīng)用[J];上海理工大學(xué)學(xué)報;2008年02期

3 楊秀媛,肖洋,陳樹勇;風(fēng)電場風(fēng)速和發(fā)電功率預(yù)測研究[J];中國電機(jī)工程學(xué)報;2005年11期

本文編號：2693702