本文關(guān)鍵詞：短期風(fēng)速和風(fēng)電功率預(yù)測(cè)模型的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著全球風(fēng)力發(fā)電的快速發(fā)展,風(fēng)電在電網(wǎng)中所占的比例越來(lái)越大。但由于風(fēng)的間歇性和隨機(jī)性特點(diǎn),使得大規(guī)模的風(fēng)電接入對(duì)電網(wǎng)的安全、穩(wěn)定以及電能質(zhì)量帶來(lái)嚴(yán)峻挑戰(zhàn),因而限制了風(fēng)電的發(fā)展規(guī)模。對(duì)風(fēng)電場(chǎng)的輸出功率進(jìn)行準(zhǔn)確的預(yù)測(cè)是解決此問(wèn)題的有效途徑之一,借助預(yù)測(cè)結(jié)果,有利于電力調(diào)度部門(mén)及時(shí)調(diào)整調(diào)度計(jì)劃,優(yōu)化系統(tǒng)運(yùn)行,同時(shí)還可減少電力系統(tǒng)的備用容量和運(yùn)行成本。因此,對(duì)風(fēng)電功率進(jìn)行預(yù)測(cè)具有十分重要的意義。 在此背景下,本文選擇風(fēng)速和風(fēng)電功率的短期預(yù)測(cè)作為研究?jī)?nèi)容,運(yùn)用多種方法對(duì)短期風(fēng)速和風(fēng)電功率預(yù)測(cè)進(jìn)行深入的研究。首先,將時(shí)間序列和神經(jīng)網(wǎng)絡(luò)理論引入到風(fēng)速預(yù)測(cè)模型中,分別建立了差分自回歸滑動(dòng)平均(ARIMA)預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。并在ARIMA模型的基礎(chǔ)上,提出了自回歸條件異方差(GARCH)和聚類ARIMA兩種改進(jìn)模型；在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,引入遺傳算法(GA)和粒子群算法(PSO)對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化,分別建立了GA-BP預(yù)測(cè)模型和PSO-BP預(yù)測(cè)模型。然后,通過(guò)算例分析對(duì)每種模型的預(yù)測(cè)效果和特點(diǎn)進(jìn)行總結(jié)。 為了進(jìn)一步提高風(fēng)速預(yù)測(cè)的精度,引入組合的思想,對(duì)上述單一模型預(yù)測(cè)值進(jìn)行組合得到風(fēng)速的組合預(yù)測(cè)值。最后,運(yùn)用風(fēng)電功率曲線,將風(fēng)速的組合預(yù)測(cè)值轉(zhuǎn)換成風(fēng)電功率的預(yù)測(cè)值。 通過(guò)以上對(duì)風(fēng)速和風(fēng)功率預(yù)測(cè)問(wèn)題的研究,運(yùn)用時(shí)間序列和神經(jīng)網(wǎng)絡(luò)理論進(jìn)行了較為深入的模型探討,并進(jìn)行了數(shù)據(jù)處理以及數(shù)值計(jì)算,可以發(fā)現(xiàn)模型的改進(jìn)以及數(shù)據(jù)的處理,是有助于提高風(fēng)速和風(fēng)電功率預(yù)測(cè)精度的。
【關(guān)鍵詞】：風(fēng)速和風(fēng)電功率 時(shí)間序列 聚類分析 神經(jīng)網(wǎng)絡(luò) 遺傳算法 粒子群算法 預(yù)測(cè)模型
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類號(hào)】：TM614
【目錄】：

• 致謝5-6
• 中文摘要6-7
• ABSTRACT7-11
• 1 緒論11-23
• 1.1 課題的提出背景和研究意義11-13
• 1.1.1 課題的提出背景11-12
• 1.1.2 課題的研究意義12-13
• 1.2 風(fēng)電功率預(yù)測(cè)概念13-16
• 1.2.1 風(fēng)電功率預(yù)測(cè)分類13-14
• 1.2.2 風(fēng)電功率短期預(yù)測(cè)方法14-15
• 1.2.3 風(fēng)電功率預(yù)測(cè)模型的評(píng)價(jià)15-16
• 1.3 風(fēng)電功率預(yù)測(cè)研究動(dòng)態(tài)16-19
• 1.3.1 國(guó)外研究現(xiàn)狀16-17
• 1.3.2 國(guó)內(nèi)研究現(xiàn)狀17-19
• 1.4 本文的主要工作及章節(jié)安排19-23
• 2 基于隨機(jī)時(shí)間序歹lJ法的短期風(fēng)速預(yù)測(cè)23-45
• 2.1 風(fēng)速概述23-24
• 2.2 時(shí)間序列基本原理24-27
• 2.2.1 時(shí)間序列概述24-25
• 2.2.2 平穩(wěn)時(shí)間序列及其模型25-26
• 2.2.3 非平穩(wěn)時(shí)間序列及其模型26-27
• 2.3 基于ARIMA的預(yù)測(cè)模型研究27-33
• 2.3.1 時(shí)間序列建模基本步驟27-30
• 2.3.2 算例分析30-33
• 2.4 基于GARCH的預(yù)測(cè)模型研究33-38
• 2.4.1 ARCH和GARCH模型概述33-34
• 2.4.2 ARCH和GARCH模型基本原理34-36
• 2.4.3 算例分析36-38
• 2.5 基于聚類ARIMA的預(yù)測(cè)模型研究38-43
• 2.5.1 聚類分析概述38-39
• 2.5.2 聚類思路39-40
• 2.5.3 算例分析40-43
• 2.6 不同模型預(yù)測(cè)效果比較43-44
• 2.7 本章小結(jié)44-45
• 3 基于人工神經(jīng)網(wǎng)絡(luò)法的短期風(fēng)速預(yù)測(cè)45-71
• 3.1 神經(jīng)網(wǎng)絡(luò)的概念和原理概述45-48
• 3.1.1 神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介及其特性45-46
• 3.1.2 神經(jīng)網(wǎng)絡(luò)模型46-47
• 3.1.3 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)47-48
• 3.2 基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型研究48-55
• 3.2.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介48-49
• 3.2.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法49-52
• 3.2.3 BP網(wǎng)絡(luò)的局限性及改進(jìn)方法52
• 3.2.4 BP網(wǎng)絡(luò)建模及算例分析52-55
• 3.3 基于遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究55-63
• 3.3.1 遺傳算法簡(jiǎn)介55-56
• 3.3.2 遺傳算法的流程和基本要素56-59
• 3.3.3 GA算法與BP網(wǎng)絡(luò)的結(jié)合59-60
• 3.3.4 GA-BP網(wǎng)絡(luò)建模及算例分析60-63
• 3.4 基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型研究63-69
• 3.4.1 粒子群算法簡(jiǎn)介63-64
• 3.4.2 粒子群算法的流程、步驟及參數(shù)設(shè)置64-65
• 3.4.3 PSO算法與BP網(wǎng)絡(luò)的結(jié)合65-66
• 3.4.4 PSO-BP網(wǎng)絡(luò)建模及算例分析66-69
• 3.5 不同模型預(yù)測(cè)效果比較69-70
• 3.6 本章小結(jié)70-71
• 4 基于組合預(yù)測(cè)模型的短期風(fēng)電功率預(yù)測(cè)71-79
• 4.1 組合模型預(yù)測(cè)71-74
• 4.1.1 組合預(yù)測(cè)概述71
• 4.1.2 組合模型建立71-73
• 4.1.3 基于組合模型的風(fēng)速預(yù)測(cè)結(jié)果73-74
• 4.2 風(fēng)電功率預(yù)測(cè)74-78
• 4.2.1 風(fēng)能的計(jì)算75
• 4.2.2 風(fēng)電機(jī)組出力的計(jì)算75-76
• 4.2.3 基于組合模型的風(fēng)電功率預(yù)測(cè)算例76-78
• 4.3 本章小結(jié)78-79
• 5 結(jié)論與展望79-81
• 5.1 論文的結(jié)論79-80
• 5.2 論文的不足與展望80-81
• 參考文獻(xiàn)81-85
• 作者簡(jiǎn)歷85-89
• 學(xué)位論文數(shù)據(jù)集89

【引證文獻(xiàn)】

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 卜遲武;風(fēng)機(jī)葉片打磨機(jī)器人的控制研究[D];哈爾濱工程大學(xué);2012年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 蔡禎祺;基于數(shù)值天氣預(yù)報(bào)NWP修正的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率短期預(yù)測(cè)研究[D];浙江大學(xué);2012年

2 徐蓓蓓;風(fēng)電場(chǎng)風(fēng)速和發(fā)電功率預(yù)測(cè)研究[D];長(zhǎng)沙理工大學(xué);2012年

3 劉雙順;風(fēng)電場(chǎng)短期輸出功率預(yù)測(cè)方法研究[D];沈陽(yáng)工業(yè)大學(xué);2012年

4 徐聰麒;基于粒子群優(yōu)化的RBF網(wǎng)絡(luò)在節(jié)約型校園能耗監(jiān)管平臺(tái)中的應(yīng)用研究[D];廣西大學(xué);2012年

5 陳標(biāo);短期電力負(fù)荷的小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[D];湖南大學(xué);2012年

6 陳聰聰;基于組合模型的風(fēng)功率預(yù)測(cè)[D];新疆大學(xué);2012年

7 于安興;風(fēng)電場(chǎng)短期風(fēng)電功率預(yù)測(cè)研究[D];華東理工大學(xué);2013年

8 李俊豪;風(fēng)電場(chǎng)風(fēng)速及風(fēng)電功率短期預(yù)測(cè)方法的研究[D];河北工業(yè)大學(xué);2012年

9 阮麗麗;水環(huán)境預(yù)測(cè)模型的開(kāi)發(fā)及應(yīng)用研究[D];四川農(nóng)業(yè)大學(xué);2012年

10 錢(qián)程;GARCH類模型在金融數(shù)據(jù)波動(dòng)性分析中的應(yīng)用研究[D];遼寧師范大學(xué);2012年

  本文關(guān)鍵詞：短期風(fēng)速和風(fēng)電功率預(yù)測(cè)模型的研究，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：501920