本文關鍵詞：基于特征加權(quán)模糊聚類分析的風電功率預測方法研究

  更多相關文章： 風特性 聚類分析 風電功率預測 Elman神經(jīng)網(wǎng)絡 云計算

【摘要】：隨著近幾年的迅猛發(fā)展,風電大規(guī)模接入電網(wǎng)。風能具有波動性、間歇性和不穩(wěn)定性等特點,對電力系統(tǒng)安全穩(wěn)定運行造成了巨大的影響。為解決大規(guī)模風電接入電網(wǎng)帶來的問題,必須進行準確的風電功率預測。這樣既能幫助電力系統(tǒng)提前制定相應的調(diào)度控制策略,還能保證電力系統(tǒng)安全穩(wěn)定運行。因此,對風電功率預測方法進行研究具有深遠的意義。本文選取國內(nèi)某一個風電場相關實測數(shù)據(jù)作為研究對象,分別針對風場全年風速和風向的分布風力發(fā)電功率變化特性進行了仔細的研究和分析,并以此為基礎,深入研究提高風力發(fā)電功率預測精度的方法。并且,將云計算技術引入電力系統(tǒng)領域,探索智能電網(wǎng)環(huán)境下風電功率預測、資源優(yōu)化配置發(fā)展的新方向。本文的主要研究內(nèi)容如下:最先,以國內(nèi)某風場為研究對象,針對風速、風向風電場空間分布、風能及風電功率特性進行了系統(tǒng)的分析。結(jié)果表明:風速的概率分布呈現(xiàn)威布爾分布特征;風向呈現(xiàn)一定的季節(jié)特性;風電場風機呈現(xiàn)一定的延時空間分布相關性;風電功率具有規(guī)律性較強的輸出特性和隨機波動特性。然后,提出了一種改進的特征加權(quán)模糊聚類算法和基于遺傳算法改進的Elman神經(jīng)網(wǎng)絡建模相結(jié)合的風電功率短期預測方法。由于風的各物理屬性對風類型判別的重要程度不同,在傳統(tǒng)FCM模糊聚類算法中引入加權(quán)因子,對歷史日風類型數(shù)據(jù)樣本進行綜合聚類。再對各聚類結(jié)果建立動態(tài)GA-Elman神經(jīng)網(wǎng)絡模型,進行風電功率預測。使用國內(nèi)某風場的實測數(shù)據(jù)進行仿真實驗,證明本文方法的優(yōu)越性和實用性。最后,提出一種基于云計算的風電功率預測資源調(diào)度平臺架構(gòu)。深入地闡述了云計算關鍵技術、基于云計算的風電功率預測資源管理和資源調(diào)度機制。采用Hadoop云計算技術,對風電功率預測的資源調(diào)度和計算服務進行虛擬云計算仿真,驗證了以云計算為基礎建立的風電功率預測資源調(diào)度平臺的先進性。由此搭建的云平臺架構(gòu)將為智能電網(wǎng)環(huán)境下資源調(diào)度、風電負荷預測計算提供廣闊的思路與有力的技術支持。
【關鍵詞】：風特性 聚類分析 風電功率預測 Elman神經(jīng)網(wǎng)絡 云計算
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM614
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-20
• 1.1 引言11
• 1.2 論文研究的背景及意義11-15
• 1.2.1 風電發(fā)展概況11-14
• 1.2.2 風電功率預測的意義14-15
• 1.3 國內(nèi)外風電功率預測的研究現(xiàn)狀15-17
• 1.3.1 國外研究現(xiàn)狀15-16
• 1.3.2 國內(nèi)研究現(xiàn)狀16-17
• 1.3.3 風電功率預測方法綜述17
• 1.4 風電功率預測研究的主要問題17-18
• 1.5 課題來源18
• 1.6 本文主要工作18-20
• 第2章 風力發(fā)電系統(tǒng)特性分析20-28
• 2.1 引言20
• 2.2 風特性分析20-24
• 2.2.1 基本概念20
• 2.2.2 風速特性分析20-22
• 2.2.3 風向特性分析22-23
• 2.2.4 風能及功率密度23-24
• 2.3 風電場及風電功率特性分析24-27
• 2.3.1 風電場風機空間分布相關特性24-25
• 2.3.2 風電場風電功率的輸出特性25-26
• 2.3.3 風電功率的隨機波動特性26-27
• 2.4 本章小結(jié)27-28
• 第3章 特征加權(quán)模糊聚類數(shù)據(jù)預處理方法研究28-40
• 3.1 數(shù)據(jù)預處理方法28-30
• 3.1.1 概述28-29
• 3.1.2 數(shù)據(jù)預處理方法的主要內(nèi)容29-30
• 3.2 聚類分析數(shù)據(jù)預處理方法概述30-31
• 3.2.1 聚類分析定義及分類30
• 3.2.2 聚類分析的數(shù)學模型30-31
• 3.3 模糊聚類分析算法流程31-35
• 3.3.1 基于目標函數(shù)的模糊聚類分析31-32
• 3.3.2 模糊c均值聚類算法32-33
• 3.3.3 改進的特征屬性加權(quán)模糊聚類算法33-35
• 3.4 算例仿真與分析35-39
• 3.4.1 數(shù)據(jù)樣本選取與處理35-36
• 3.4.2 仿真結(jié)果及分析36-39
• 3.5 本章小結(jié)39-40
• 第4章 風電功率預測40-52
• 4.1 幾種典型的預測方法概述40-44
• 4.1.1 時間序列預測方法40
• 4.1.2 趨勢外推預測方法40-41
• 4.1.3 灰色系統(tǒng)預測方法41
• 4.1.4 專家系統(tǒng)預測法41
• 4.1.5 人工神經(jīng)網(wǎng)絡預測方法41-43
• 4.1.6 支持向量機預測方法43-44
• 4.2 基于Elman回歸神經(jīng)網(wǎng)絡的風電功率預測模型44-47
• 4.2.1 Elman神經(jīng)網(wǎng)絡模型44
• 4.2.2 Elman神經(jīng)網(wǎng)絡的原理及算法44-46
• 4.2.3 基于遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡的風電功率預測模型46-47
• 4.3 仿真實驗及結(jié)果分析47-51
• 4.3.1 數(shù)據(jù)準備及誤差分析標準47-48
• 4.3.2 仿真實驗及分析48-51
• 4.4 本章小結(jié)51-52
• 第5章 基于云計算的風電功率預測資源調(diào)度平臺架構(gòu)研究52-63
• 5.1 云計算技術概述52-54
• 5.1.1 云計算定義52
• 5.1.2 云計算特點及關鍵技術52-54
• 5.2 基于云計算的風電功率預測資源調(diào)度平臺架構(gòu)54-57
• 5.2.1 Hadoop基本架構(gòu)54
• 5.2.2 基于云計算的資源管理架構(gòu)54-55
• 5.2.3 自適應虛擬化資源優(yōu)化調(diào)度公有云架構(gòu)55-56
• 5.2.4 基于云計算的風電功率預測機制56-57
• 5.3 基于云計算的風電功率預測資源優(yōu)化配置仿真及分析57-61
• 5.3.1 問題建模57-58
• 5.3.2 能耗模型58
• 5.3.3 Min_energyflow算法設計58-60
• 5.3.4 云平臺風電功率預測計算資源調(diào)度仿真及分析60-61
• 5.4 本章小結(jié)61-63
• 結(jié)論63-65
• 參考文獻65-71
• 致謝71-72
• 附錄A 攻讀學位期間所發(fā)表的學術論文目錄72-73
• 附錄B 攻讀學位期間所參加的科研項目目錄73

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 胡勝海;何蕾;徐鵬;楊奇;金錦花;;基于灰色特征加權(quán)支持向量機的火炮質(zhì)量評估[J];應用科技;2011年01期

2 孔令燕;夏樂天;;基于特征加權(quán)的混合型模糊聚類分析及其在洪水災害等級劃分中的應用[J];水利經(jīng)濟;2009年05期

3 趙俊杰;;基于特征加權(quán)的KNNFP改進算法及在故障診斷中的應用[J];電子技術應用;2011年04期

4 王改堂;王斐;黃超凡;丁力;葉錦函;;基于特征加權(quán)K最近鄰的無人機武器發(fā)射過程參數(shù)預測[J];彈箭與制導學報;2014年04期

5 王國才;張聰;;一種基于粗糙集的特征加權(quán)樸素貝葉斯分類器[J];重慶理工大學學報(自然科學版);2010年07期

6 顧播宇;孫俊喜;李洪祚;劉紅喜;劉廣文;;基于特征加權(quán)模塊雙方向二維主成分分析的人臉識別[J];吉林大學學報(工學版);2014年03期

7 邱超;;特征加權(quán)FCM算法在洪水樣本分類中的應用[J];水文;2007年05期

8 任會峰;陽春華;周璇;桂衛(wèi)華;鄢鋒;;基于泡沫圖像特征加權(quán)SVM的浮選工況識別[J];浙江大學學報(工學版);2011年12期

9 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前1條

1 杜玫芳;王昕;;基于特征加權(quán)的模糊c均值聚類算法及其應用[A];2008通信理論與技術新進展——第十三屆全國青年通信學術會議論文集（上）[C];2008年

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 賈隆嘉;文本分類中特征加權(quán)算法和文本表示策略研究[D];東北師范大學;2016年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 黃瓊芳;特征加權(quán)組稀疏模式分析算法及其在水電機組故障診斷中的應用[D];浙江工業(yè)大學;2015年

2 張娜娜;基于進化極限學習機的特征加權(quán)近鄰分類算法[D];大連海事大學;2016年

3 王新坤;基于特征加權(quán)模糊聚類分析的風電功率預測方法研究[D];湖南大學;2015年

4 馬會敏;幾種特征加權(quán)支持向量機方法的比較研究[D];河北大學;2010年

5 王秀菲;基于特征加權(quán)支持向量機的復合材料粘接缺陷量化識別研究[D];內(nèi)蒙古大學;2011年

6 馬萍;貝葉斯網(wǎng)絡與基于特征加權(quán)的聚類研究[D];大連理工大學;2011年

7 吳彪;基于信息論的特征加權(quán)和主題驅(qū)動協(xié)同聚類算法研究[D];哈爾濱工業(yè)大學;2008年

8 周計美;基于特征加權(quán)單類支持向量機的顏色識別算法及其在異色物檢測中的研究[D];內(nèi)蒙古大學;2012年

9 陳曉琳;采用ReliefF特征加權(quán)的NIC算法研究[D];鄭州大學;2014年

10 周徐寧;基于特征加權(quán)連續(xù)隱馬爾可夫模型的故障診斷方法研究[D];上海交通大學;2012年

，

本文編號：537122