發(fā)布時間：2020-06-05 05:20

【摘要】：當(dāng)前,我國的發(fā)電模式始終都以傳統(tǒng)的火力發(fā)電為主。自21世紀(jì)以來,我國的生活、工業(yè)和國防等用電總量正在逐步增加,這給火力發(fā)電帶來了巨大的壓力和挑戰(zhàn)。同時,面對環(huán)境保護(hù)的壓力也越來越大,這就迫使我們需要盡快尋求更加清潔并且高效的能源,以用來解決傳統(tǒng)發(fā)電方式帶來的諸多弊端。風(fēng)力發(fā)電是目前被人們廣泛研究和運(yùn)用的新能源之一,但是由于風(fēng)能的不確定和間歇性等特點(diǎn)使得風(fēng)力發(fā)電較難穩(wěn)定地并入電網(wǎng)。近年來,太陽能光伏發(fā)電迅猛發(fā)展,各個國家和地區(qū)都投入了巨大的人力、物力與財(cái)力,通過大規(guī)模的優(yōu)勢和相關(guān)產(chǎn)業(yè)的自動化與智能化設(shè)備,光伏發(fā)電技術(shù)得到了迅速發(fā)展,并且其市場普及程度也越來越高。水力發(fā)電僅對環(huán)境有較小的沖擊,發(fā)電成本低并且啟動速度快,容易進(jìn)行調(diào)節(jié)與控制,得到了廣泛的應(yīng)用。為了有效度量風(fēng)電、光伏與徑流的不確定性和穩(wěn)定性,進(jìn)一步提高新能源發(fā)電功率的預(yù)測結(jié)果精度,本文根據(jù)風(fēng)、光、水的時間序列特性,將支持向量機(jī)(SVM)、分位數(shù)回歸(QR)方法與模糊信息�；�(FIG)相結(jié)合,構(gòu)建了基于模糊信息�；c支持向量分位數(shù)回歸(FIG-SVQR)的模型。并且結(jié)合了核密度估計(jì)進(jìn)行風(fēng)電、光電與徑流的概率密度預(yù)測,得到了較為精確的風(fēng)電、光電與徑流的波動曲線和概率密度曲線。并將FIG-SVQR預(yù)測模型與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型(Elman、BP、RBF)、SVQR模型做對比,并且以相應(yīng)的評價(jià)指標(biāo)進(jìn)行分析。為了驗(yàn)證本文提出的方法的高效性和穩(wěn)定性,選取了概率密度曲線的眾數(shù)和中位數(shù)作為點(diǎn)預(yù)測結(jié)果進(jìn)行分析,同時運(yùn)用了預(yù)測區(qū)間評價(jià)準(zhǔn)則對預(yù)測區(qū)間進(jìn)行評價(jià)。本文采用風(fēng)、光、水三種不同的數(shù)據(jù)集進(jìn)行案例分析,結(jié)果表明:提出的基于模糊信息�；c支持向量分位數(shù)回歸概率密度預(yù)測方法可以獲取完整的風(fēng)、光、水概率密度曲線和預(yù)測區(qū)間,較好地解決了新能源的波動性和不確定性問題,為電力系統(tǒng)穩(wěn)定運(yùn)行提供了相關(guān)的技術(shù)支持和理論依據(jù)。
【圖文】：

我們把 2018 年 2 月 1 日至 2 月 21 日和 2018 年 8 月 1 日至 8 月 21 日作為風(fēng)電實(shí)驗(yàn)的訓(xùn)練數(shù)據(jù)集。測試集的數(shù)據(jù)集為2018年2月22日至2月28日和2018年 8 月 22 日至 8 月 28 日。下圖 4.1 為 2018 年 2 月 1 日至 2 月 28 日和 2018 年 8月 1 日至 8 月 28 日的完整風(fēng)電時間序列圖。圖 4.1 2018 年 2 月和 2018 年 8 月完整的風(fēng)電時間序列圖Fig 4.1 Complete wind power time series diagrams for February,2018 andAugust,2018其中橫坐標(biāo)代表時間節(jié)點(diǎn)（單位以小時計(jì)算），縱坐標(biāo)代表對應(yīng)的風(fēng)電功率數(shù)值大小。風(fēng)電功率數(shù)值的單位為 MW.H。每天共計(jì) 24 個節(jié)點(diǎn)數(shù)目，2018 年 2 月和2018 年 8 月數(shù)據(jù)集總共的節(jié)點(diǎn)數(shù)量為 1344 個。從圖 4.1 中我們可以看出風(fēng)電數(shù)據(jù)的總體走向，并且具有周期性。峰值在 4000-4500 MW.H 之間，而不少時刻的風(fēng)電數(shù)據(jù)接近 0。由此可以看出風(fēng)電數(shù)據(jù)的波動范圍較大，其中 2018 年 2 月風(fēng)電功率的波動性更加突出，所以對風(fēng)電數(shù)據(jù)進(jìn)行預(yù)測具有必要性，量化其中的不確定性，

8 月FIG-SVQR 94.05 23.58過對比表 4.1-4.3 和圖 4.2-4.5，我們可以得到：本文使用的 FIG-SV點(diǎn)預(yù)測結(jié)果誤差明顯小于 RBF、BP 等傳統(tǒng)方法，，并且相較于 SVQR較好的預(yù)測區(qū)間結(jié)果。結(jié)合點(diǎn)預(yù)測和區(qū)間預(yù)測，F(xiàn)IG-SVQR 具有最優(yōu)
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TM61

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 肖桂姣;;分位數(shù)回歸下的指標(biāo)設(shè)計(jì)與實(shí)現(xiàn)[J];當(dāng)代經(jīng)濟(jì);2019年02期

2 周少甫;范兆媛;;年齡對醫(yī)療費(fèi)用增長的影響:基于分位數(shù)回歸模型的分析[J];中國衛(wèi)生經(jīng)濟(jì);2016年06期

3 陳子亮;卿清;;影響波士頓不同社區(qū)房價(jià)水平的因素分析——基于分位數(shù)回歸方法[J];商;2015年30期

4 施鵬;;分位數(shù)回歸對資產(chǎn)定價(jià)模型的比較分析[J];商業(yè)故事;2016年34期

5 吳衛(wèi)星;魏曉璇;吳錕;;金融素養(yǎng)與金融滿意度[J];金融科學(xué);2017年01期

6 李濤;王健俊;;國產(chǎn)電影票房績效的影響因素研究——基于分位數(shù)回歸及門限效應(yīng)的分析[J];文化產(chǎn)業(yè)研究;2017年02期

7 姜勵卿;錢文榮;;公共部門與非公共部門工資差異的分位數(shù)回歸分析[J];統(tǒng)計(jì)研究;2012年01期

8 朱平芳;張征宇;;無條件分位數(shù)回歸:文獻(xiàn)綜述與應(yīng)用實(shí)例[J];統(tǒng)計(jì)研究;2012年03期

9 吳建南;馬偉;;分位數(shù)回歸與顯著加權(quán)分析技術(shù)的比較研究[J];統(tǒng)計(jì)與決策;2006年07期

10 譚治國;蔡乙萍;;分位數(shù)回歸在風(fēng)險(xiǎn)管理中的應(yīng)用[J];統(tǒng)計(jì)與決策;2006年17期

相關(guān)會議論文 前10條

1 夏寧;;中國上市公司高管人員薪酬的影響因素與成因分解——一個基于分位數(shù)回歸模型的實(shí)證研究[A];中國會計(jì)學(xué)會財(cái)務(wù)管理專業(yè)委員會2009年學(xué)術(shù)年會論文集[C];2009年

2 李坤明;;空間滯后分位數(shù)回歸模型的截面估計(jì)法[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第18卷）[C];2017年

3 朱高培;吳學(xué)森;;基于分位數(shù)回歸制定HbA1c的醫(yī)學(xué)參考值范圍[A];2017年中國衛(wèi)生統(tǒng)計(jì)學(xué)學(xué)術(shù)年會論文集[C];2017年

4 張晗希;許志夢;曾澄波;蔡衛(wèi)平;郭艷;;基于分位數(shù)回歸模型探索社會支持對HIV/AIDS患者應(yīng)對方式的影響[A];2017年中國衛(wèi)生統(tǒng)計(jì)學(xué)學(xué)術(shù)年會論文集[C];2017年

5 陳磊;;股災(zāi)期間滬深300股指期貨的量價(jià)關(guān)系——基于聯(lián)立方程和分位數(shù)回歸的實(shí)證研究[A];21世紀(jì)數(shù)量經(jīng)濟(jì)學(xué)（第17卷）[C];2016年

6 李唐;李飛;;民航客機(jī)最佳燃油攜帶量推薦[A];第八屆中國航空學(xué)會青年科技論壇論文集[C];2018年

7 姚欲清;邢星;呂冰;閔捷;;應(yīng)用分位數(shù)回歸分析中國成年居民蛋白質(zhì)攝入量與體質(zhì)指數(shù)及腰圍的關(guān)系[A];達(dá)能營養(yǎng)中心青年科學(xué)工作者論壇優(yōu)秀論文集2017年第5期[C];2017年

8 宋馬林;吳杰;高玉強(qiáng);張琳玲;宋峰;;中國入世以來的對外貿(mào)易與環(huán)保效率——基于分省面板數(shù)據(jù)的實(shí)證分析[A];中國貿(mào)易救濟(jì)與產(chǎn)業(yè)安全論叢（2012）——第七屆中國貿(mào)易救濟(jì)與產(chǎn)業(yè)安全研究獎獲獎?wù)撐募痆C];2013年

9 陸地;孫巍;;城鎮(zhèn)家庭消費(fèi)區(qū)域不平衡的度量及分析——基于收入空間分布變遷RIF回歸的實(shí)證[A];吉林大學(xué)數(shù)量經(jīng)濟(jì)優(yōu)秀成果匯編（2018年卷）[C];2019年

10 宋利明;楊嘉j;武亞蘋;惠明明;呂凱凱;;吉爾伯特群島海域大眼金槍魚棲息地綜合指數(shù)[A];漁業(yè)科技創(chuàng)新與發(fā)展方式轉(zhuǎn)變——2011年中國水產(chǎn)學(xué)會學(xué)術(shù)年會論文摘要集[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 周小英;逐段連續(xù)線性分位數(shù)回歸模型的統(tǒng)計(jì)推斷及其應(yīng)用[D];湖南大學(xué);2018年

2 蔡超;基于大規(guī)模數(shù)據(jù)的分位數(shù)回歸方法及應(yīng)用[D];合肥工業(yè)大學(xué);2017年

3 王生云;中國經(jīng)濟(jì)高速增長的親貧困程度研究：1989-2009[D];浙江大學(xué);2013年

4 劉惠籃;基于復(fù)合分位數(shù)回歸方法的統(tǒng)計(jì)模型的相關(guān)研究[D];重慶大學(xué);2016年

5 周小雙;若干復(fù)雜數(shù)據(jù)模型的經(jīng)驗(yàn)似然和復(fù)合推斷方法[D];山東大學(xué);2013年

6 樊軍;高維二次度量回歸模型研究[D];北京交通大學(xué);2017年

7 孫旭;人力資本及其對中國省區(qū)全要素生產(chǎn)率增長的影響[D];東北財(cái)經(jīng)大學(xué);2010年

8 陳林興;基于空間視角的我國省際農(nóng)村居民消費(fèi)趨同性研究[D];浙江大學(xué);2012年

9 周志永;幾類金融時間序列模型統(tǒng)計(jì)推斷[D];浙江大學(xué);2016年

10 劉啟浩;風(fēng)險(xiǎn)值組合預(yù)測的理論與實(shí)證[D];北京工業(yè)大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 嚴(yán)煜東;基于模糊信息�；c支持向量分位數(shù)回歸的風(fēng)光水概率密度預(yù)測方法[D];合肥工業(yè)大學(xué);2019年

2 王永珂;娘子關(guān)泉域降水及徑流變化分析[D];天津師范大學(xué);2019年

3 劉燕;面板數(shù)據(jù)的一些估計(jì)和檢驗(yàn)[D];天津師范大學(xué);2019年

4 張欣;基于分位數(shù)回歸的省際電力行業(yè)碳排放差異性研究[D];華北電力大學(xué);2019年

5 羅登菊;縱向數(shù)據(jù)下幾類回歸模型的復(fù)合分位數(shù)回歸估計(jì)[D];貴州大學(xué);2019年

6 趙亮;基于分位數(shù)回歸的中國股市VaR研究[D];河南財(cái)經(jīng)政法大學(xué);2019年

7 吳川東;中國房地產(chǎn)和貴金屬市場對沖通貨膨脹能力研究[D];江西財(cái)經(jīng)大學(xué);2019年

8 秦楊;基于大數(shù)據(jù)分析與LASSO分位數(shù)回歸的電力負(fù)荷概率密度預(yù)測方法[D];合肥工業(yè)大學(xué);2019年

9 楊雪梅;基于MM算法的部分線性分位數(shù)回歸[D];華北電力大學(xué)(北京);2019年

10 梁治軍;我國上市保險(xiǎn)公司系統(tǒng)性風(fēng)險(xiǎn)溢出效應(yīng)研究[D];華南理工大學(xué);2019年

本文編號：2697573