風(fēng)能是至關(guān)重要的低碳能源,它使得可持續(xù)能源供應(yīng)的實(shí)現(xiàn)成為了可能。而且,在某種程度上,它還是構(gòu)成智能電網(wǎng)基礎(chǔ)設(shè)施的關(guān)鍵部分。然而風(fēng)的不穩(wěn)定性和隨機(jī)性等不確定因素極大的阻礙了風(fēng)力發(fā)電的大規(guī)模應(yīng)用。因此,對(duì)風(fēng)速預(yù)測(cè)模型的精度和性能要求越來(lái)越高。單一模型已經(jīng)不能滿足現(xiàn)有的需求,更多的組織或機(jī)構(gòu)開(kāi)始將研究方向轉(zhuǎn)移到組合模型實(shí)現(xiàn)的多步向前風(fēng)速預(yù)測(cè)。同時(shí),如何根據(jù)不同模型的優(yōu)點(diǎn)選擇子模型構(gòu)成組合模型,并分析子模型對(duì)組合模型的影響也順勢(shì)成為迫切需要解決的問(wèn)題。本文提出了一種新型的關(guān)于風(fēng)速多步向前預(yù)測(cè)的組合算法SMSGECSEP,因其組合了奇異譜分析、滑動(dòng)窗口機(jī)制實(shí)現(xiàn)的多步向前預(yù)測(cè)、廣義回歸神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)、級(jí)聯(lián)BP神經(jīng)網(wǎng)絡(luò)、回聲狀態(tài)網(wǎng)絡(luò)、模擬退火算法和粒子群優(yōu)化算法。該方法首先使用奇異譜分析方法處理原始的風(fēng)速數(shù)據(jù)序列,將序列中的噪聲信息去除;其次使用滑動(dòng)窗口模型分解原始數(shù)據(jù)和降噪數(shù)據(jù)分別獲得多步向前預(yù)測(cè)的輸入向量序列和輸出向量序列;然后分別使用SA優(yōu)化的GRNN模型(SA_GRNN)、SA優(yōu)化的Elman模型(SA_Elman)和SA優(yōu)化的級(jí)聯(lián)BP(SA_CBP)這三個(gè)子模型對(duì)分解后的數(shù)據(jù)進(jìn)行預(yù)測(cè);最后使用PSO優(yōu)化的ESN模型(PSO_ESN)對(duì)預(yù)測(cè)結(jié)果進(jìn)行組合。SA和PSO分別被用于優(yōu)化相應(yīng)模型的重要參數(shù),提高相應(yīng)算法預(yù)測(cè)精度,最終整體提高組合算法的精度。通過(guò)對(duì)美國(guó)國(guó)家風(fēng)力技術(shù)中心M2塔的80m每分鐘的平均風(fēng)速數(shù)據(jù)進(jìn)行預(yù)測(cè)模擬,通過(guò)預(yù)測(cè)結(jié)果分析每個(gè)子模型和組合模型的預(yù)測(cè)性能,證明了本文提出的組合方法有助于提升風(fēng)速預(yù)測(cè)的精度。另外,還通過(guò)對(duì)不同程度降噪數(shù)據(jù)的預(yù)測(cè)模擬,對(duì)SSA的降噪性能做了研究,發(fā)現(xiàn)50%降噪時(shí),算法取得整體最優(yōu)且穩(wěn)定的降噪效果。
【學(xué)位單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2017
【中圖分類】：TP18;TK81
【部分圖文】：

隱含 2輸出隱含 1輸出輸入 輸出隱藏 1輸入隱藏 2閾值b閾值b圖 6. 級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)主要表現(xiàn)在一下兩個(gè)方面，一方面發(fā)揮了人工神經(jīng)網(wǎng)絡(luò)強(qiáng)的多維非線性映射能力，使得這些形態(tài)各異、個(gè)性分明的多維信息的影響變得清晰合理，這種能力能夠在預(yù)測(cè)的過(guò)程中充分的考慮到數(shù)據(jù)中的每個(gè)影響因素。另一方面，它改善了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)由于考慮過(guò)多因素導(dǎo)致的網(wǎng)絡(luò)復(fù)雜性，從而提升了學(xué)習(xí)速度，降低了收斂時(shí)間。

輸入 輸出輸入圖 6. 級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)主要表現(xiàn)在一下兩個(gè)方面，一方面發(fā)揮了人工神經(jīng)網(wǎng)絡(luò)強(qiáng)的多維非線性映射能力，使得這些形態(tài)各異、個(gè)性分明的多維信息的影響變得清晰合理，這種能力能夠在預(yù)測(cè)的過(guò)程中充分的考慮到數(shù)據(jù)中的每個(gè)影響因素。另一方面，它改善了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)由于考慮過(guò)多因素導(dǎo)致的網(wǎng)絡(luò)復(fù)雜性，從而提升了學(xué)習(xí)速度，降低了收斂時(shí)間。圖 7. BP 神經(jīng)網(wǎng)絡(luò)的圖

這個(gè)實(shí)驗(yàn)將會(huì)再后續(xù)的研究中進(jìn)行。4.8 SSA 降噪效果分析SSA 降噪的本質(zhì)是將信號(hào)通過(guò)奇異值分解成多組包含不同信息的信號(hào)。這組信號(hào)是由有用信號(hào)和噪聲共同組成的。那么其分解成的重構(gòu)矩陣也是由有用信號(hào)和噪聲共同組成的。前面奇異值較大的幾列對(duì)應(yīng)的信號(hào)認(rèn)為是有用信號(hào)，較小奇異值對(duì)應(yīng)的信號(hào)反應(yīng)噪聲。在對(duì)信號(hào)重構(gòu)的時(shí)候關(guān)鍵的問(wèn)題是如何確定選取的子信號(hào)的行數(shù)，即有用奇異值的個(gè)數(shù)。本文為了驗(yàn)證 SSA 降噪程度對(duì)本文提出的組合模型預(yù)測(cè)結(jié)果的影響，做了基于四組數(shù)據(jù)的實(shí)驗(yàn)進(jìn)行對(duì)比：1）未經(jīng)任何處理的原始風(fēng)速數(shù)據(jù)進(jìn)行模型擬合和訓(xùn)練；2）降噪重構(gòu)時(shí)取分解行數(shù)的一半進(jìn)行組合，即降噪強(qiáng)度為 50%（即前 50 行）成降噪序列；3）降噪強(qiáng)度為 25%（即重構(gòu)時(shí)取分解行數(shù)的前 75 行構(gòu)成降噪序列）；4）降噪強(qiáng)度 75%（即取前 25 行構(gòu)成降噪序列）。每組數(shù)據(jù)分別在 SA_GRNN、SA_Elman、SA_BP 和組合模型四種模型上進(jìn)行模擬對(duì)比分析。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 謝慶國(guó) ,萬(wàn)淑蕓 ,易燕春 ,趙金 ,沈軼;Speed-Sensorless Control Using Elman Neural Network[J];Journal of Systems Engineering and Electronics;2001年04期

2 謝慶國(guó),萬(wàn)淑蕓,趙金;一種Elman回歸網(wǎng)絡(luò)的設(shè)計(jì)方法[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年03期

3 林相波,邱天爽;固定結(jié)構(gòu)單元權(quán)值對(duì)基本Elman網(wǎng)絡(luò)性能影響[J];大連理工大學(xué)學(xué)報(bào);2004年05期

4 吳微;徐東坡;李正學(xué);;Convergence of gradient method for Elman networks[J];Applied Mathematics and Mechanics(English Edition);2008年09期

5 任雪梅,陳杰,龔至豪,竇麗華;改進(jìn)Elman網(wǎng)絡(luò)的逼近性質(zhì)研究(英文)[J];Journal of Beijing Institute of Technology(English Edition);2002年01期

6 王攀,蘇智,馮珊;局部回歸Elman網(wǎng)絡(luò)學(xué)習(xí)算法的注記[J];武漢理工大學(xué)學(xué)報(bào)(信息與管理工程版);2002年02期

7 田燕;康海英;唐力偉;鄭海起;;一種改進(jìn)的Elman網(wǎng)絡(luò)及其在載荷識(shí)別中的應(yīng)用[J];機(jī)械強(qiáng)度;2006年S1期

8 金宇華;羅沛蘭;扶名福;楊國(guó)泰;;Elman網(wǎng)絡(luò)和綜合關(guān)聯(lián)度在風(fēng)機(jī)診斷中的應(yīng)用[J];微計(jì)算機(jī)信息;2008年10期

9 楊凌;宋軍;金強(qiáng);;一種引入混沌機(jī)制的新型Elman神經(jīng)網(wǎng)絡(luò)及其應(yīng)用[J];計(jì)算機(jī)應(yīng)用;2009年02期

10 張秀玲;趙文保;李少清;徐騰;;基于人工蜂群算法的Elman網(wǎng)絡(luò)板形預(yù)測(cè)[J];沈陽(yáng)大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年03期

相關(guān)博士學(xué)位論文 前2條

1 時(shí)小虎;Elman神經(jīng)網(wǎng)絡(luò)與進(jìn)化算法的若干理論研究及應(yīng)用[D];吉林大學(xué);2006年

2 王麗敏;計(jì)算智能改進(jìn)方法及其在金融與環(huán)境領(lǐng)域中的應(yīng)用[D];吉林大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 何兆爽;基于多步向前預(yù)測(cè)和人工智能的組合算法的研究和應(yīng)用[D];蘭州大學(xué);2017年

2 張文濤;人工智能的唯物史觀反思[D];哈爾濱工業(yè)大學(xué);2017年

3 婁斌;人工智能在社會(huì)應(yīng)用中的法律問(wèn)題研究[D];河南師范大學(xué);2017年

4 李能;人工智能對(duì)人的主體性影響研究[D];貴州師范大學(xué);2017年

5 沈建銘;論人工智能實(shí)體的法律主體資格[D];華中師范大學(xué);2017年

6 林鵬;冷軋APC系統(tǒng)智能控制器設(shè)計(jì)與實(shí)驗(yàn)研究[D];燕山大學(xué);2015年

7 曹芙;基于Elman神經(jīng)網(wǎng)絡(luò)及優(yōu)化算法的混合模型的研究及應(yīng)用[D];蘭州大學(xué);2015年

8 劉超;429例直腸惡性腫瘤基于SVM和Elman的單病種醫(yī)療費(fèi)用預(yù)測(cè)模型研究與應(yīng)用[D];昆明醫(yī)科大學(xué);2015年

9 宋菁華;高爐冶煉過(guò)程的多尺度特性與硅含量預(yù)測(cè)方法研究[D];浙江大學(xué);2016年

10 王柳;基于復(fù)合特性Elman神經(jīng)網(wǎng)絡(luò)的風(fēng)速預(yù)測(cè)[D];天津工業(yè)大學(xué);2016年

本文編號(hào)：2850123