發(fā)布時間：2017-09-16 08:30

  本文關(guān)鍵詞：風(fēng)速及風(fēng)電功率預(yù)測系統(tǒng)的研究

  更多相關(guān)文章： 風(fēng)功率預(yù)測 支持向量機(jī) 稀疏貝葉斯學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 時間序列法

【摘要】：目前,世界范圍內(nèi)的風(fēng)電發(fā)展迅速,風(fēng)電機(jī)組的裝機(jī)容量越來越大,風(fēng)電在電網(wǎng)中的比重也越來越高,由于風(fēng)電出力的隨機(jī)性、波動性,使得對風(fēng)電功率進(jìn)行準(zhǔn)確預(yù)測變得十分重要,目前風(fēng)電功率的預(yù)測方法比較多,但卻普遍存在著預(yù)測精度低的問題,本文開展了關(guān)于風(fēng)電功率預(yù)測問題的研究。本文首先分析了目前全球風(fēng)電的發(fā)展情況及風(fēng)電裝機(jī)規(guī)模,以及進(jìn)行風(fēng)電預(yù)測研究的意義,并對目前風(fēng)功率預(yù)測存在的問題及所采用的主要預(yù)測方法進(jìn)行了研究,之后介紹了本文所采用的三種超短期預(yù)測方法的基本原理,然后用三種預(yù)測方法對同一組風(fēng)功率數(shù)據(jù)分別進(jìn)行了超短期預(yù)測,并進(jìn)行了預(yù)測結(jié)果及誤差對比。預(yù)測前首先采用滑動平均法預(yù)處理歷史數(shù)據(jù),得到風(fēng)速波動的概率區(qū)間。對于時間序列預(yù)測法,還需對歷史數(shù)據(jù)進(jìn)行平穩(wěn)化處理。支持向量機(jī)與小波神經(jīng)網(wǎng)絡(luò)預(yù)測法,需對歷史風(fēng)速數(shù)據(jù)進(jìn)行樣本分類,分為訓(xùn)練樣本和預(yù)測樣本,訓(xùn)練樣本訓(xùn)練網(wǎng)絡(luò),預(yù)測樣本用來檢驗預(yù)測方法的預(yù)測精度。對比三種超短期預(yù)測模型的預(yù)測結(jié)果,小波神經(jīng)網(wǎng)絡(luò)法的預(yù)測相對更精確,且發(fā)現(xiàn)支持向量機(jī)預(yù)測模型更適合應(yīng)用在有大量歷史數(shù)據(jù)作支撐的情況下。本文選取神經(jīng)網(wǎng)絡(luò)預(yù)測模型,用遺傳算法優(yōu)化模型的網(wǎng)絡(luò)層節(jié)點數(shù),網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及迭代次數(shù),重新進(jìn)行預(yù)測,然后將預(yù)測結(jié)果與未改進(jìn)之前的模型進(jìn)行對比分析,發(fā)現(xiàn)預(yù)測精度有了進(jìn)一步的提高。本文對比分析了三種預(yù)測方法各自的適用范圍及優(yōu)缺點,最后采用稀疏貝葉斯學(xué)習(xí)模型改進(jìn)了風(fēng)功率短期預(yù)測模型,并檢驗了短期預(yù)測結(jié)果的誤差水平,結(jié)果發(fā)現(xiàn)改進(jìn)后的預(yù)測模型提高了短期預(yù)測精度。且對于集群分布的風(fēng)電場群,其預(yù)測的出力波動性與誤差都要小。最后,本文采用MATLAB GUI將兩種預(yù)測方法結(jié)合,設(shè)計了一種實用的、具有良好人機(jī)交互性的GUI風(fēng)功率預(yù)測系統(tǒng)軟件,方便運行人員隨時進(jìn)行預(yù)測,提高了預(yù)測模型的可視化程度,并提供模型參數(shù)輸入、預(yù)測方法選擇及預(yù)測結(jié)果對比等功能。
【關(guān)鍵詞】：風(fēng)功率預(yù)測 支持向量機(jī) 稀疏貝葉斯學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò) 時間序列法
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TM614
【目錄】：

• 摘要5-6
• Abstract6-9
• 第1章 緒論9-14
• 1.1 課題研究的背景及意義9-11
• 1.2 國內(nèi)外發(fā)展現(xiàn)狀11-12
• 1.3 本文的主要工作12-14
• 第2章 風(fēng)功率預(yù)測原理14-24
• 2.1 風(fēng)功率預(yù)測的主要方法14-15
• 2.1.1 基于天氣預(yù)報信息的方法14
• 2.1.2 統(tǒng)計模型14-15
• 2.1.3 基于歷史數(shù)據(jù)的方法15
• 2.2 時間序列算法15-17
• 2.2.1 ARMA模型15-16
• 2.2.2 ARMA模型的識別、估計、診斷、預(yù)測16-17
• 2.2.3 MA、AR、ARMA過程中ACF與PACF的特點17
• 2.3 支持向量機(jī)SVM方法17-20
• 2.4 小波神經(jīng)網(wǎng)絡(luò)基本原理20-22
• 2.5 本章小結(jié)22-24
• 第3章 風(fēng)功率超短期預(yù)測模型24-43
• 3.1 建模前的準(zhǔn)備24-25
• 3.2 基于時間序列法的超短期預(yù)測模型25-31
• 3.2.1 K-S檢驗25-28
• 3.2.2 建立ARMA模型28-29
• 3.2.3 時間序列法預(yù)測結(jié)果及誤差分析29-31
• 3.3 支持向量機(jī)SVM預(yù)測模型31-34
• 3.3.1 SVM參數(shù)分析31-33
• 3.3.2 SVM預(yù)測結(jié)果33-34
• 3.4 小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型34-36
• 3.4.1 模型建立34-35
• 3.4.2 小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果35-36
• 3.5 三種方法超短期預(yù)測結(jié)果對比36-38
• 3.6 改進(jìn)小波神經(jīng)網(wǎng)絡(luò)模型38-41
• 3.6.1 遺傳神經(jīng)網(wǎng)絡(luò)算法38
• 3.6.2 優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型38-40
• 3.6.3 模型預(yù)測結(jié)果分析40-41
• 3.7 GUI界面開發(fā)41-42
• 3.8 本章小結(jié)42-43
• 第4章 風(fēng)功率短期預(yù)測模型43-47
• 4.1 風(fēng)功率超短期預(yù)測與短期預(yù)測區(qū)別43
• 4.2 短期預(yù)測模型43-44
• 4.2.1 稀疏貝葉斯預(yù)測模型43-44
• 4.2.2 參數(shù)獲取——EM迭代法44
• 4.3 短期預(yù)測結(jié)果分析44-46
• 4.4 機(jī)組匯聚的分析46
• 4.5 本章小結(jié)46-47
• 第5章 總結(jié)與展望47-49
• 5.1 本文所做工作47
• 5.2 本文主要創(chuàng)新點47-48
• 5.3 有待解決的問題48-49
• 參考文獻(xiàn)49-52
• 致謝52-53
• 作者簡介53

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 王麗婕;冬雷;廖曉鐘;高陽;;基于小波分析的風(fēng)電場短期發(fā)電功率預(yù)測[J];中國電機(jī)工程學(xué)報;2009年28期

，

本文編號：861966