【摘要】：風(fēng)是大氣環(huán)境中普遍存在的一種自然現(xiàn)象。作為大氣的基本要素,許多科學(xué)研究都與其有著重要聯(lián)系,如氣候變化、大氣物理、大氣環(huán)境、氣象災(zāi)害、能源氣象等,都需要對(duì)風(fēng)的大小進(jìn)行深入研究。然而,由于受溫度、氣壓、地形、海拔、緯度等諸多因素的影響,風(fēng)具有較強(qiáng)的隨機(jī)性和波動(dòng)性,是氣象要素中最復(fù)雜、最難預(yù)報(bào)的要素之一。作為風(fēng)研究中一個(gè)重要方面,風(fēng)速預(yù)測(cè)對(duì)于天氣預(yù)報(bào)、氣象災(zāi)害防治、大氣污染預(yù)報(bào)和可再生能源利用起著十分關(guān)鍵的作用。因此,對(duì)于風(fēng)速預(yù)測(cè)方法的研究,是大氣科學(xué)中的熱點(diǎn)研究問(wèn)題之一。目前,許多單一預(yù)測(cè)模型被用于風(fēng)速預(yù)測(cè),根據(jù)其自身實(shí)現(xiàn)機(jī)制不同,每種模型各有優(yōu)劣,它們之間不是相互排斥,而是相互補(bǔ)充,不同預(yù)測(cè)方法能從不同角度反映風(fēng)速的特點(diǎn)信息。因此,若將多種預(yù)測(cè)方法進(jìn)行組合,結(jié)合多個(gè)模型所要表達(dá)的信息,則會(huì)進(jìn)一步提高風(fēng)速預(yù)測(cè)精度和可靠度。進(jìn)一步研究中發(fā)現(xiàn),傳統(tǒng)組合預(yù)測(cè)依據(jù)其組合策略的不同,在實(shí)際應(yīng)用中仍存在諸多難點(diǎn)問(wèn)題,使得組合模型依然不能滿足風(fēng)速預(yù)測(cè)精度的要求。例如,在基于信號(hào)分解的協(xié)同性組合策略中,傳統(tǒng)組合模型僅使用單一模型來(lái)預(yù)測(cè)所有分解后的子序列,而忽略了不同子序列具有不同信號(hào)特征,如何針對(duì)不同信號(hào)特征選取最優(yōu)的預(yù)測(cè)模型是一項(xiàng)難點(diǎn);同時(shí),傳統(tǒng)組合模型在信號(hào)分解中忽視了數(shù)據(jù)在分解之后仍存在波動(dòng)性較大的子序列,直接對(duì)其進(jìn)行建模與預(yù)測(cè)往往會(huì)造成較大誤差;另外,傳統(tǒng)協(xié)同性模型在參數(shù)優(yōu)化過(guò)程中存在收斂速度慢且易陷入局部最小等問(wèn)題;在競(jìng)爭(zhēng)性組合策略中,組合權(quán)重的賦值主要依賴于實(shí)驗(yàn)和經(jīng)驗(yàn),如何引入更多先進(jìn)方法,使模型權(quán)重的選取更加智能化是一項(xiàng)研究難點(diǎn);此外,針對(duì)傳統(tǒng)組合模型僅考慮單一預(yù)測(cè)評(píng)價(jià)指標(biāo)作為其優(yōu)化目標(biāo),如何以不同性能指標(biāo)作為模型的優(yōu)化目標(biāo)是研究中的難點(diǎn)。因此,針對(duì)上述問(wèn)題,本文從信號(hào)分解、算法改進(jìn)、參數(shù)優(yōu)化和權(quán)重優(yōu)化等四個(gè)不同方面進(jìn)行了深入探討,特別在信號(hào)多級(jí)分解、群智能算法改進(jìn)和多目標(biāo)優(yōu)化等方面進(jìn)行創(chuàng)新與應(yīng)用,對(duì)組合預(yù)測(cè)策略中的若干難點(diǎn)問(wèn)題進(jìn)行了系統(tǒng)的分析研究。主要研究結(jié)論如下:1)針對(duì)以往協(xié)同性組合策略中忽略了數(shù)據(jù)預(yù)處理和模型參數(shù)優(yōu)化等問(wèn)題,提出了一種基于信號(hào)分解和模型選擇的組合模型。在該模型中,首先通過(guò)集合經(jīng)驗(yàn)?zāi)Ｊ椒纸鈱⒃硷L(fēng)速數(shù)據(jù)劃分為一組有限的信號(hào)分量,從三種預(yù)測(cè)模型中選擇最優(yōu)模型,利用果蠅優(yōu)化算法進(jìn)行參數(shù)優(yōu)化,使用優(yōu)化后的模型對(duì)每種信號(hào)分別進(jìn)行預(yù)測(cè),最后通過(guò)數(shù)據(jù)重構(gòu)獲得最終預(yù)測(cè)值。為了評(píng)估該模型的預(yù)測(cè)能力,選擇了山東地區(qū)兩個(gè)風(fēng)電場(chǎng)的15分鐘風(fēng)速數(shù)據(jù)作為案例進(jìn)行研究。實(shí)證結(jié)果表明,相對(duì)于傳統(tǒng)方法,基于信號(hào)分解和參數(shù)優(yōu)化的組合模型可以顯著風(fēng)速預(yù)測(cè)精度。2)在以上研究基礎(chǔ)上,進(jìn)一步結(jié)合了“競(jìng)爭(zhēng)性”和“協(xié)作性”兩種組合策略的思想,提出了一種基于完整集合經(jīng)驗(yàn)?zāi)Ｊ椒纸庾赃m應(yīng)噪聲分解(CEEMDAN)與改進(jìn)花授粉算法的優(yōu)化的組合預(yù)測(cè)方法。首先,采用信號(hào)分解方法CEEMDAN將原始風(fēng)速數(shù)據(jù)劃分為有限的IMF分量集合,針對(duì)分解序列特征的不同,選擇五種預(yù)測(cè)模型組成預(yù)測(cè)集合來(lái)對(duì)各子信號(hào)分別進(jìn)行預(yù)測(cè)。同時(shí),提出一種改進(jìn)的混沌局部搜索-花授粉算法(CLSFPA),用于確定組合模型的最優(yōu)權(quán)重系數(shù),最后通過(guò)序列重構(gòu)得到最終預(yù)測(cè)值。為了評(píng)估所提出模型的預(yù)測(cè)能力,使用了來(lái)自山東沿海地區(qū)的四個(gè)風(fēng)電場(chǎng)15分鐘風(fēng)速數(shù)據(jù)對(duì)提出模型進(jìn)行模擬評(píng)估。結(jié)果表明,所提出的組合預(yù)測(cè)技術(shù)可以進(jìn)一步提高風(fēng)速預(yù)測(cè)精度。3)針對(duì)協(xié)作型組合預(yù)測(cè)中單一信號(hào)分解得到的子序列中仍然存在非平穩(wěn)及波動(dòng)性較大的子分量,提出一種基于新型混合雙分解技術(shù)(HDT)和花授粉算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)算法的預(yù)測(cè)體系結(jié)構(gòu)。所提出的HDT結(jié)合了完整集合經(jīng)驗(yàn)?zāi)Ｊ椒纸庾赃m應(yīng)噪聲(CEEMDAN)和經(jīng)驗(yàn)小波變換(EWT),在一次分解之后,進(jìn)一步利用EWT分解由CEEMDAN生成的高頻固有模式函數(shù)(IMF),得到一組相對(duì)平穩(wěn)的子序列,從而降低了預(yù)測(cè)復(fù)雜性。最后應(yīng)用FPA-BPNN來(lái)預(yù)測(cè)所有分解后的子序列。為了對(duì)模型預(yù)測(cè)能力進(jìn)行評(píng)估,采用中國(guó)山東兩個(gè)風(fēng)電場(chǎng)風(fēng)速數(shù)據(jù)進(jìn)行多步預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該模型在一步到五步向前預(yù)測(cè)中優(yōu)于其他對(duì)比模型,表現(xiàn)出穩(wěn)定的預(yù)測(cè)性能,表明該模型非常適用于非平穩(wěn)多步風(fēng)速預(yù)測(cè)。4)針對(duì)以往競(jìng)爭(zhēng)性組合預(yù)測(cè)在權(quán)重優(yōu)化過(guò)程中僅設(shè)置單一優(yōu)化目標(biāo)的問(wèn)題。本章提出了一種基于多目標(biāo)優(yōu)化的組合加權(quán)預(yù)測(cè)方法。針對(duì)組合模型的權(quán)重系數(shù),結(jié)合了Pareto最優(yōu)理論組成的新型多目標(biāo)算法,設(shè)置偏差-方差框架為多目標(biāo)優(yōu)化問(wèn)題的目標(biāo)函數(shù),使得組合模型既能收斂到最佳精度又能保持較高預(yù)測(cè)穩(wěn)定性。同時(shí),為改進(jìn)傳統(tǒng)花粉傳播算法局部搜索慢的問(wèn)題,提出一種基于蝙蝠搜索算法的花粉傳播算法,保證了組合模型在權(quán)重優(yōu)化時(shí)能快速收斂到最優(yōu)解。為了評(píng)估該模型的預(yù)測(cè)能力,選取中國(guó)東部沿海地區(qū)兩個(gè)風(fēng)電場(chǎng)的12個(gè)風(fēng)速數(shù)據(jù)集作為案例研究。實(shí)驗(yàn)結(jié)果表明,所開發(fā)的多目標(biāo)組合模型在預(yù)測(cè)中既可以獲得高預(yù)測(cè)精度還可以保持較高預(yù)測(cè)穩(wěn)定性。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：P425
【圖文】：

這對(duì)風(fēng)速預(yù)測(cè)模型在不同情形下的適應(yīng)性、精確性和魯棒性都提出了逡逑更高的要求。囡此，為更好測(cè)試本文所提出的預(yù)測(cè)模型的有效性，本文選取了煙逡逑臺(tái)，威海，青島，蓬萊、萊州等多個(gè)風(fēng)電場(chǎng)作為試驗(yàn)ｇ，如圖２－１所示。涵蓋了逡逑丘陵地帶，平原地帶以及海上島嶼等不同的環(huán)境條件，以驗(yàn)證預(yù)測(cè)模型能否在各逡逑種復(fù)雜情形下均能表現(xiàn)出良好的預(yù)測(cè)性能。逡逑Ａ．逡逑－邋（Ｉ邋Ｍ）逡逑④實(shí)驗(yàn)站點(diǎn)邐＇覽邐ａ逡逑１．菜州２．蓬萊邐＼邋，邐／逡逑威海邐＼邐／邐ｙ逡逑圖２－１研究區(qū)域示意圖逡逑２．１．２風(fēng)速數(shù)據(jù)選取逡逑在本文中，原始風(fēng)速數(shù)據(jù)通過(guò)各風(fēng)電場(chǎng)７０ｍ高度的測(cè)風(fēng)儀進(jìn)行采集，時(shí)間逡逑間隔為１５ｍｉｎ／次。每個(gè)風(fēng)電場(chǎng)收集了邋１－２年的風(fēng)速歷史數(shù)據(jù)。依據(jù)氣象統(tǒng)計(jì)學(xué)理逡逑論，針對(duì)測(cè)風(fēng)塔缺測(cè)和無(wú)效的風(fēng)速數(shù)據(jù)逐一進(jìn)行插補(bǔ)訂正，使訂正后風(fēng)速數(shù)據(jù)有逡逑效完整率達(dá)到１００％。訂正方怯為：采用各測(cè)風(fēng)塔采集的測(cè)風(fēng)數(shù)據(jù)與？相鄰測(cè)風(fēng)塔逡逑同一時(shí)段的實(shí)測(cè)資料做相關(guān)分析，在統(tǒng)計(jì)樣本數(shù)量滿足的前提下，選�。矀�(gè)站逡逑點(diǎn)同頻次風(fēng)速樣本，進(jìn)行相關(guān)計(jì)算和檢驗(yàn)．采用檢驗(yàn)統(tǒng)計(jì)尨Ｆ檢驗(yàn)相關(guān)系數(shù)的逡逑可靠性：逡逑Ｆ邋二記丨＇￣＾邐（２－１）逡逑／邋ｎ－２逡逑其中ｉ？為相關(guān)系數(shù)，〃為樣本量，通過(guò)給定０．０１信度，檢驗(yàn)Ｆ值．逡逑１６逡逑

各神經(jīng)元與不同的學(xué)習(xí)樣本對(duì)應(yīng)般求和層使用兩種類型神經(jīng)元進(jìn)行求和。逡逑輸出Ｊｇ中的神經(jīng)元個(gè)數(shù)與輸出向量的維數(shù)一致，神經(jīng)元通過(guò)將求和層的輸出進(jìn)行逡逑相除，得到數(shù)據(jù)輸出結(jié)果ＩＹ習(xí)，其網(wǎng)絡(luò)拓?fù)鋱D如圖２－３所示。逡逑Ｐｊ＝＾Ｘ－Ｘ＾Ｘ－Ｘ＾邐＾Ｔｎｎｐｅ：ｒ0ｎＳ＿逡逑＾邋ｐａｔｔｅｒｎ逡逑邐＃rP螅酰恚恚幔簦椋錚睿]3Y彳＼撫

本文編號(hào)：2720693