發(fā)布時(shí)間：2021-10-26 12:35

　　隨著國(guó)民經(jīng)濟(jì)的快速發(fā)展、污染程度的持續(xù)加重以及我國(guó)節(jié)能減排經(jīng)濟(jì)發(fā)展戰(zhàn)略的提出和實(shí)施,風(fēng)電已經(jīng)成為可再生能源的一個(gè)重要組成部分。風(fēng)是風(fēng)力發(fā)電機(jī)組的動(dòng)力,由于風(fēng)本身的特性及發(fā)電原理決定了風(fēng)力發(fā)電的輸出具有波動(dòng)性和間歇性,因此風(fēng)電并網(wǎng)后會(huì)對(duì)電力系統(tǒng)造成很大的影響。風(fēng)電功率預(yù)測(cè)可有效解決電網(wǎng)調(diào)度問(wèn)題,對(duì)風(fēng)電并網(wǎng)及電網(wǎng)安全運(yùn)行起著重要的作用。針對(duì)現(xiàn)有預(yù)測(cè)方法的預(yù)測(cè)精確度不甚理想的問(wèn)題,本文采用了一種基于組合分析的短期風(fēng)電功率預(yù)測(cè)方法,該方法使用生成式對(duì)抗網(wǎng)絡(luò)作為系統(tǒng)框架,與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,該方法由生成模型和判別模型相互作用而進(jìn)行反復(fù)訓(xùn)練,因此與單一的預(yù)測(cè)方法相比,該方法預(yù)測(cè)精度較高。針對(duì)風(fēng)能具有無(wú)序性、隨機(jī)性、不穩(wěn)定性和不可控性等混沌特性,混沌網(wǎng)絡(luò)能夠比其他類型的神經(jīng)網(wǎng)絡(luò)更好的表示風(fēng)能參數(shù)與風(fēng)電功率之間的內(nèi)在聯(lián)系。由此,本文選擇混沌神經(jīng)網(wǎng)絡(luò)作為生成式對(duì)抗神經(jīng)網(wǎng)絡(luò)算法的生成模型。為保證組合方法的預(yù)測(cè)精度,選用對(duì)非線性函數(shù)的擬合性能較好的BP神經(jīng)網(wǎng)絡(luò)作為生成式對(duì)抗網(wǎng)絡(luò)的判別模型。論文選擇中國(guó)寧夏某風(fēng)電場(chǎng)運(yùn)行實(shí)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)實(shí)驗(yàn),選取風(fēng)電輸出功率時(shí)間序列及當(dāng)?shù)仫L(fēng)能數(shù)據(jù)作為訓(xùn)練樣本,預(yù)測(cè)該風(fēng)電場(chǎng)... 

【文章來(lái)源】：華北電力大學(xué)河北省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究情況
    1.3 本文的主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)
第2章 風(fēng)能特性與風(fēng)電功率影響因素分析
    2.1 風(fēng)能的特性
        2.1.1 風(fēng)速切變特性
        2.1.2 湍流強(qiáng)度
        2.1.3 空氣密度
    2.2 風(fēng)電功率影響因素的分析
        2.2.1 風(fēng)電功率影響因素的定性分析
        2.2.2 風(fēng)電功率影響因素的定量分析
    2.3 風(fēng)電場(chǎng)風(fēng)能資源
        2.3.1 風(fēng)電場(chǎng)測(cè)風(fēng)塔各項(xiàng)風(fēng)能資源分析
        2.3.2 風(fēng)電場(chǎng)輪轂處各項(xiàng)風(fēng)能資源分析
        2.3.3 風(fēng)能資源評(píng)價(jià)
    2.4 本章小結(jié)
第3章 基于生成式對(duì)抗網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)組合方法
    3.1 生成式對(duì)抗網(wǎng)絡(luò)框架結(jié)構(gòu)
        3.1.1 風(fēng)電功率預(yù)測(cè)的訓(xùn)練流程分析
        3.1.2 風(fēng)電功率預(yù)測(cè)的預(yù)測(cè)流程分析
    3.2 基于混沌神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率時(shí)間序列生成模型
        3.2.1 風(fēng)電功率時(shí)間序列的混沌性驗(yàn)證
        3.2.2 風(fēng)電功率時(shí)間序列的相空間重構(gòu)
        3.2.3 混沌神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練及風(fēng)電功率時(shí)間序列的生成
    3.3 基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率時(shí)間序列合理性判別模型
    3.4 生成式對(duì)抗網(wǎng)絡(luò)預(yù)測(cè)組合方法
    3.5 實(shí)驗(yàn)結(jié)果與對(duì)比分析
    3.6 本章小結(jié)
第4章 預(yù)測(cè)數(shù)據(jù)的相關(guān)性分析及參數(shù)優(yōu)化
    4.1 互信息技術(shù)
        4.1.1 變量相關(guān)性的互信息度量
        4.1.2 變量冗余性的互信息度量
    4.2 基于互信息技術(shù)的預(yù)測(cè)數(shù)據(jù)優(yōu)化
    4.3 實(shí)驗(yàn)結(jié)果對(duì)比分析
    4.4 本章小結(jié)
第5章 結(jié)論與展望
    5.1 本文總結(jié)
    5.2 未來(lái)展望
參考文獻(xiàn)
在校期間發(fā)表的學(xué)術(shù)論文和參加科研情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]粒式搜索者算法優(yōu)化的SVM短期風(fēng)電功率預(yù)測(cè)[J]. 林凱,陳國(guó)初.  自動(dòng)化儀表. 2018(03)
[2]基于EMD-SC和AGSA優(yōu)化支持向量機(jī)的超短期風(fēng)電功率組合預(yù)測(cè)[J]. 江岳春,楊旭瓊,陳禮鋒,賀飛.  工程設(shè)計(jì)學(xué)報(bào). 2017(02)
[3]含核函數(shù)切換的風(fēng)電功率短期預(yù)測(cè)新方法[J]. 歐陽(yáng)庭輝,查曉明,秦亮,熊一,夏添,黃鶴鳴.  電力自動(dòng)化設(shè)備. 2016(09)
[4]基于互信息冗余性分析的神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)[J]. 易靈芝,劉智磊,龍辛.  湘潭大學(xué)自然科學(xué)學(xué)報(bào). 2016(02)
[5]基于粒子群優(yōu)化的核極限學(xué)習(xí)機(jī)模型的風(fēng)電功率區(qū)間預(yù)測(cè)方法[J]. 楊錫運(yùn),關(guān)文淵,劉玉奇,肖運(yùn)啟.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(S1)
[6]基于混沌時(shí)間序列GA-VNN模型的超短期風(fēng)功率多步預(yù)測(cè)[J]. 江岳春,張丙江,邢方方,張雨,王志剛.  電網(wǎng)技術(shù). 2015(08)
[7]基于混沌徑向基函數(shù)的風(fēng)電功率短期預(yù)測(cè)[J]. 李玲玲,李宗禮,李俊豪,李志剛.  電源技術(shù). 2014(12)
[8]基于原子稀疏分解和BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率爬坡事件預(yù)測(cè)[J]. 崔明建,孫元章,柯德平.  電力系統(tǒng)自動(dòng)化. 2014(12)
[9]基于卡爾曼濾波的風(fēng)速序列短期預(yù)測(cè)方法[J]. 修春波,任曉,李艷晴,劉明鳳.  電工技術(shù)學(xué)報(bào). 2014(02)
[10]基于EEMD與ARMA的短期風(fēng)功率預(yù)測(cè)研究[J]. 劉洪伯,王幸福.  黑龍江科技信息. 2013(36)



本文編號(hào)：3459514