本文關(guān)鍵詞：短期風(fēng)電功率預(yù)測方法研究

  更多相關(guān)文章： 風(fēng)電功率 預(yù)測 支持向量機(jī) IOWA 改進(jìn)IOWA

【摘要】：近些年來，我國風(fēng)電裝機(jī)容量快速增長。由于風(fēng)速具有隨機(jī)波動性，風(fēng)電大規(guī)模并網(wǎng)給電力系統(tǒng)的安全穩(wěn)定運行帶來了巨大挑戰(zhàn)。為了降低風(fēng)電大規(guī)模并網(wǎng)對電網(wǎng)的沖擊，必須對并網(wǎng)風(fēng)電場發(fā)電功率進(jìn)行調(diào)度，而風(fēng)電場風(fēng)電功率預(yù)測是實現(xiàn)并網(wǎng)風(fēng)電場調(diào)度的前提。 風(fēng)電功率預(yù)測的重點在于預(yù)測建模，國內(nèi)外從物理建模及統(tǒng)計建模兩個角度進(jìn)行了較長時間的研究。目前國內(nèi)風(fēng)電場大多新建，缺乏用于物理建模的風(fēng)場信息，故國內(nèi)的風(fēng)電功率預(yù)測往往利用風(fēng)場歷史數(shù)據(jù)進(jìn)行統(tǒng)計建模。由于人工神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)非線性回歸性能突出，，本文以這兩類統(tǒng)計方法對算例風(fēng)場進(jìn)行了建模仿真。該仿真發(fā)現(xiàn)：BP、RBF、GRNN三種神經(jīng)網(wǎng)絡(luò)及線性核、多項式核、RBF核三種支持向量機(jī)所建立的預(yù)測模型在實際功率快速波動時存在較大的預(yù)測失準(zhǔn)。因此，本文應(yīng)用了一種建模思路以提高模型預(yù)測精度：首先，分解實際功率序列以提取不同波動尺度的功率特征信息；其次，分別建立以各個分解分量為輸出的分量預(yù)測模型以減小整體建模難度；最后，采用一定的加權(quán)方式確定各分量預(yù)測模型的權(quán)值系數(shù)。故本文的主要工作是： 1）對比BP、RBF、GRNN三種人工神經(jīng)網(wǎng)絡(luò)及線性核、多項式核、RBF核三種支持向量機(jī)的建模及其預(yù)測精度，選定多項式核支持向量機(jī)為預(yù)測建模方法； 2）應(yīng)用EMD將實際功率序列分解成多個功率正交分量，每個功率正交分量分別利用多項式核支持向量機(jī)建立以其為輸出的分量預(yù)測模型； 3）基于信息集成原理將IOWA加權(quán)引入風(fēng)電功率預(yù)測領(lǐng)域，并提出一種針對風(fēng)電功率預(yù)測的改進(jìn)IOWA加權(quán)策略以獲取各個分量預(yù)測模型的權(quán)值系數(shù)。 通過對算例風(fēng)場進(jìn)行建模仿真，應(yīng)用本文建模思路的改進(jìn)IOWA加權(quán)方式下的預(yù)測模型可改善實際功率快速波動時的預(yù)測失準(zhǔn)，且相比其他建模方法具有更好的預(yù)測精度。 基于本文的研究成果，利用支持向量機(jī)建立了風(fēng)電功率預(yù)測系統(tǒng)的預(yù)測模型，在全國范圍內(nèi)多個風(fēng)場得到了實際應(yīng)用。
【關(guān)鍵詞】：風(fēng)電功率 預(yù)測 支持向量機(jī) IOWA 改進(jìn)IOWA
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2013
【分類號】：TM614;TP13
【目錄】：

• 摘要5-6
• Abstract6-9
• 第一章 緒論9-18
• 1.1 論文的研究背景9-12
• 1.2 論文的研究意義12-13
• 1.3 短期風(fēng)電功率預(yù)測研究現(xiàn)狀13-16
• 1.3.1 國外研究現(xiàn)狀13-15
• 1.3.2 國內(nèi)研究現(xiàn)狀15-16
• 1.4 本文完成的主要工作16-18
• 第二章 短期風(fēng)電功率預(yù)測18-29
• 2.1 短期風(fēng)電功率預(yù)測基本原理18-20
• 2.1.1 物理方法原理19-20
• 2.1.2 統(tǒng)計方法原理20
• 2.2 短期風(fēng)電功率預(yù)測一般流程20-21
• 2.3 短期風(fēng)電功率預(yù)測關(guān)鍵技術(shù)21-28
• 2.3.1 數(shù)值天氣預(yù)報技術(shù)22-23
• 2.3.2 數(shù)據(jù)預(yù)處理技術(shù)23-27
• 2.3.3 建模及模型訓(xùn)練技術(shù)27-28
• 2.4 本章小結(jié)28-29
• 第三章 短期風(fēng)電功率預(yù)測建模29-47
• 3.1 人工神經(jīng)網(wǎng)絡(luò)29-37
• 3.1.1 BP 神經(jīng)網(wǎng)絡(luò)31-34
• 3.1.2 RBF 神經(jīng)網(wǎng)絡(luò)34-35
• 3.1.3 GRNN 神經(jīng)網(wǎng)絡(luò)35-37
• 3.2 支持向量機(jī)37-44
• 3.2.1 支持向量機(jī)基礎(chǔ)37-40
• 3.2.2 非線性支持向量回歸機(jī)40-44
• 3.3 人工神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)建模對比44-46
• 3.4 本章小結(jié)46-47
• 第四章 基于 EMD 做數(shù)據(jù)預(yù)處理的短期風(fēng)電功率預(yù)測研究47-62
• 4.1 EMD 原理及流程47-49
• 4.2 基于 EMD 做歷史數(shù)據(jù)預(yù)處理的預(yù)測方法49-53
• 4.2.1 IOWA 加權(quán)51-52
• 4.2.2 改進(jìn) IOWA 加權(quán)策略52-53
• 4.3 建模仿真分析53-60
• 4.4 本章小結(jié)60-62
• 第五章 短期風(fēng)電功率預(yù)測系統(tǒng)的應(yīng)用62-69
• 5.1 需求分析62-64
• 5.1.1 電網(wǎng)需求62-63
• 5.1.2 風(fēng)電場需求63-64
• 5.1.3 技術(shù)開發(fā)需求64
• 5.2 系統(tǒng)展示64-67
• 5.3 精度統(tǒng)計67-68
• 5.4 本章小結(jié)68-69
• 總結(jié)與展望69-71
• 參考文獻(xiàn)71-74
• 附錄一 用于 BP 建模的 matlab 源代碼74-76
• 附錄二 用于 IOWA 加權(quán)的 matlab 源代碼76-78
• 攻讀碩士學(xué)位期間取得的研究成果78-79
• 致謝79-80
• 附件80

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前9條

1 周雙喜;王海超;陳壽孫;;風(fēng)力發(fā)電運行價值分析[J];電網(wǎng)技術(shù);2006年14期

2 陳盼;陳皓勇;葉榮;陳天恩;李丹;;基于小波包和支持向量回歸的風(fēng)速預(yù)測[J];電網(wǎng)技術(shù);2011年05期

3 黎靜華;韋化;;基于誘導(dǎo)有序加權(quán)平均算子的最優(yōu)組合短期負(fù)荷預(yù)測[J];電網(wǎng)技術(shù);2011年10期

4 林海濤;蔣傳文;任博強;欒士巖;;基于模糊聚類的風(fēng)速短期組合預(yù)測[J];華東電力;2010年02期

5 盧斌;慕亞茹;徐一秋;;基于GRNN的網(wǎng)絡(luò)出口流量預(yù)測[J];黑龍江科技信息;2008年13期

6 王強,余岳峰,張浩炯;利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)函數(shù)逼近[J];計算機(jī)仿真;2002年05期

7 林春霖;;風(fēng)電場風(fēng)電功率預(yù)測系統(tǒng)介紹[J];水利科技;2012年03期

8 付偉;楊先一;馮偉;陳然;;遺傳神經(jīng)網(wǎng)絡(luò)在風(fēng)電場風(fēng)速估計中的應(yīng)用[J];現(xiàn)代科學(xué)儀器;2009年06期

9 劉輝;田紅旗;李燕飛;;基于小波分析法與滾動式時間序列法的風(fēng)電場風(fēng)速短期預(yù)測優(yōu)化算法[J];中南大學(xué)學(xué)報(自然科學(xué)版);2010年01期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 楊志凌;風(fēng)電場功率短期預(yù)測方法優(yōu)化的研究[D];華北電力大學(xué)（北京）;2011年

2 劉興杰;風(fēng)電輸出功率預(yù)測方法與系統(tǒng)[D];華北電力大學(xué);2011年

3 高陽;風(fēng)電場風(fēng)電功率預(yù)測方法研究[D];沈陽農(nóng)業(yè)大學(xué);2011年

4 徐爭光;經(jīng)驗?zāi)Ｊ椒纸獾臄?shù)學(xué)理論研究[D];華中科技大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 劉華煜;基于支持向量機(jī)的機(jī)器學(xué)習(xí)研究[D];大慶石油學(xué)院;2005年

2 李杏培;風(fēng)電場風(fēng)速及風(fēng)電機(jī)組發(fā)電量的短期預(yù)報方法研究[D];華北電力大學(xué)（北京）;2009年

3 夏靜;基于廣義回歸神經(jīng)網(wǎng)絡(luò)的工業(yè)過程優(yōu)化建模[D];哈爾濱理工大學(xué);2009年

4 張臻;風(fēng)電功率短期預(yù)測方法研究[D];華南理工大學(xué);2010年

5 丁志勇;風(fēng)電場短期功率預(yù)測方法研究[D];華南理工大學(xué);2012年

本文編號：810762