風(fēng)力發(fā)電作為一種零排放、運(yùn)行成本低的新能源發(fā)電技術(shù),已在世界范圍內(nèi)實(shí)現(xiàn)了大規(guī)模的開(kāi)發(fā)和利用。然而,風(fēng)能呈現(xiàn)出的隨機(jī)波動(dòng)性仍然對(duì)風(fēng)電安全并網(wǎng)提出了巨大挑戰(zhàn)。高精度的風(fēng)速預(yù)測(cè)工作是電網(wǎng)正常運(yùn)行的根本保障和及時(shí)調(diào)整調(diào)度計(jì)劃的可靠依據(jù)。傳統(tǒng)的風(fēng)速預(yù)測(cè)模型無(wú)法滿足風(fēng)電場(chǎng)預(yù)測(cè)精度要求,而且大多數(shù)預(yù)測(cè)方法集中在數(shù)值算法的改進(jìn)上,缺乏對(duì)真實(shí)風(fēng)速數(shù)據(jù)特性的挖掘。本研究將原始風(fēng)速數(shù)據(jù)作為研究重點(diǎn),通過(guò)時(shí)頻分析方法探究風(fēng)速序列的本質(zhì)特征,并針對(duì)性的進(jìn)行風(fēng)速預(yù)測(cè),有效改進(jìn)傳統(tǒng)風(fēng)速預(yù)測(cè)方法的預(yù)測(cè)效果。主要工作包括以下幾個(gè)方面:(1)利用經(jīng)驗(yàn)?zāi)B(tài)分解方法對(duì)原始風(fēng)速序列進(jìn)行自適應(yīng)分解,并根據(jù)經(jīng)驗(yàn)?zāi)B(tài)函數(shù)波動(dòng)的特性,選取最小二乘支持向量機(jī)和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分別對(duì)高頻分量和低頻分量進(jìn)行預(yù)測(cè),并以此建立組合風(fēng)速預(yù)測(cè)模型;(2)根據(jù)原始風(fēng)速序列的日相似性,篩選數(shù)據(jù),降低歷史數(shù)據(jù)的復(fù)雜程度,并針對(duì)經(jīng)驗(yàn)?zāi)B(tài)分解方法的模態(tài)混疊問(wèn)題,探究變分模態(tài)分解對(duì)原始風(fēng)速序列的分解效果,以及考慮遺傳算法全局優(yōu)化能力對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行改進(jìn),建立有效的風(fēng)速預(yù)測(cè)模型;(3)風(fēng)速變化受多種因素影響,建立主成分分析模型壓縮歷史數(shù)據(jù),提取綜...

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 風(fēng)電發(fā)展現(xiàn)狀
    1.2 風(fēng)電預(yù)測(cè)發(fā)展現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容
第2章 基于經(jīng)驗(yàn)?zāi)B(tài)分解改進(jìn)的組合風(fēng)速預(yù)測(cè)模型
    2.1 經(jīng)驗(yàn)?zāi)B(tài)分解理論及其數(shù)值預(yù)測(cè)算法
        2.1.1 經(jīng)驗(yàn)?zāi)B(tài)分解
        2.1.2 徑向基神經(jīng)網(wǎng)絡(luò)(RBF)算法
        2.1.3 最小二乘支持向量機(jī)(LS-SVM)算法
    2.2 基于經(jīng)驗(yàn)?zāi)B(tài)分解改進(jìn)的組合風(fēng)速預(yù)測(cè)模型
        2.2.1 風(fēng)電場(chǎng)數(shù)據(jù)描述
        2.2.2 經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果
        2.2.3 不同頻率的IMF預(yù)測(cè)分量的確定
        2.2.4 風(fēng)速預(yù)測(cè)模型建模流程
    2.3 風(fēng)速預(yù)測(cè)結(jié)果及相應(yīng)的誤差分析
        2.3.1 高頻分量預(yù)測(cè)結(jié)果
        2.3.2 風(fēng)速預(yù)測(cè)結(jié)果
        2.3.3 風(fēng)速預(yù)測(cè)模型的誤差分析
    2.4 本章小結(jié)
第3章 基于變分模態(tài)分解改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型
    3.1 系統(tǒng)聚類分析、變分模態(tài)分解以及GA-BP神經(jīng)網(wǎng)絡(luò)的相關(guān)理論
        3.1.1 系統(tǒng)聚類分析
        3.1.2 變分模態(tài)分解
        3.1.3 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)
    3.2 基于變分模態(tài)分解改進(jìn)的GA-BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型
        3.2.1 風(fēng)電場(chǎng)數(shù)據(jù)描述
        3.2.2 系統(tǒng)聚類分析結(jié)果
        3.2.3 原始風(fēng)速序列VMD分解結(jié)果
        3.2.4 風(fēng)速預(yù)測(cè)模型建模流程
    3.3 風(fēng)速預(yù)測(cè)結(jié)果及相應(yīng)的誤差分析
        3.3.1 各分量預(yù)測(cè)結(jié)果
        3.3.2 風(fēng)速預(yù)測(cè)結(jié)果
        3.3.3 風(fēng)速預(yù)測(cè)模型的誤差分析
    3.4 本章小結(jié)
第4章 基于主成分分析和獨(dú)立成分分析改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型..
    4.1 主成分分析和獨(dú)立成分分析相關(guān)理論
        4.1.1 主成分分析
        4.1.2 獨(dú)立成分分析
    4.2 基于主成分分析和獨(dú)立成分分析改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型
        4.2.1 風(fēng)電場(chǎng)數(shù)據(jù)描述
        4.2.2 主成分分析結(jié)果
        4.2.3 獨(dú)立成分分析結(jié)果
        4.2.4 風(fēng)速預(yù)測(cè)建模流程
    4.3 風(fēng)速預(yù)測(cè)結(jié)果及相應(yīng)的誤差分析
        4.3.1 風(fēng)速預(yù)測(cè)結(jié)果
        4.3.2 風(fēng)速預(yù)測(cè)模型的誤差分析
    4.4 本章小結(jié)
第5章 總結(jié)
    5.1 本文的研究重點(diǎn)
    5.2 本文研究的創(chuàng)新點(diǎn)
    5.3 風(fēng)速預(yù)測(cè)研究方向展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)成果
    學(xué)術(shù)論文
    發(fā)明專利
攻讀碩士學(xué)位期間參加的科研工作
致謝



本文編號(hào)：3801299