發(fā)布時(shí)間：2018-04-06 07:30

  本文選題：Elman神經(jīng)網(wǎng)絡(luò)　切入點(diǎn)：遲滯　出處：《天津工業(yè)大學(xué)》2016年碩士論文

【摘要】：風(fēng)速時(shí)間序列預(yù)測(cè)在風(fēng)電場(chǎng)運(yùn)行過程中起著非常重要的作用,它不僅關(guān)系到風(fēng)力發(fā)電機(jī)的投入運(yùn)營量,也關(guān)系到電力系統(tǒng)的安全、可靠、經(jīng)濟(jì)的運(yùn)行。風(fēng)速時(shí)間序列的預(yù)測(cè)精度直接影響著風(fēng)電領(lǐng)域電力系統(tǒng)的經(jīng)濟(jì)性與穩(wěn)定性,因此風(fēng)速時(shí)間序列預(yù)測(cè)是國內(nèi)外重點(diǎn)關(guān)注的研究領(lǐng)域之一。近些年來,隨著人工神經(jīng)網(wǎng)絡(luò)建模的成熟化,人工神經(jīng)網(wǎng)絡(luò)模型作為一種重要的預(yù)測(cè)手段在風(fēng)速時(shí)間序列的預(yù)測(cè)中得到廣泛應(yīng)用。在實(shí)際應(yīng)用過程中,由于BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)較早,技術(shù)較成熟,通常采用BP神經(jīng)網(wǎng)絡(luò)模型建模,與BP神經(jīng)網(wǎng)絡(luò)相比,Elman神經(jīng)網(wǎng)絡(luò)模型由于具備反饋性與遞歸性,在復(fù)雜的風(fēng)速時(shí)間序列預(yù)測(cè)中具有一定的優(yōu)勢(shì),然而Elman神經(jīng)網(wǎng)絡(luò)還存在易陷入局部極小值,預(yù)測(cè)精度較差等缺點(diǎn)。針對(duì)傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)存在的缺點(diǎn)與不足,本文提出將遲滯現(xiàn)象與Elman神經(jīng)網(wǎng)絡(luò)結(jié)合的方法,利用平穩(wěn)化處理后的數(shù)據(jù)構(gòu)建出具有復(fù)合特性Elman神經(jīng)網(wǎng)絡(luò)模型。具體做法是在傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,將遲滯因子引入隱藏層和關(guān)聯(lián)層,月本文中構(gòu)建的遲滯函數(shù)所替代傳統(tǒng)的Sigmoid函數(shù)。由于遲滯函數(shù)是由兩條閉合的曲線構(gòu)成,在進(jìn)行數(shù)據(jù)處理時(shí),依據(jù)指定的規(guī)則進(jìn)行上下曲線的選擇,使得輸出數(shù)據(jù)具有一定的隨機(jī)跳變性,可以在一定程度上跳出局部極小值,使用平穩(wěn)化處理后的數(shù)據(jù),進(jìn)一步提高了預(yù)測(cè)的精度。本文采用華北某風(fēng)電場(chǎng)實(shí)際數(shù)據(jù)對(duì)提出的模型和方法進(jìn)行仿真預(yù)測(cè),并與傳統(tǒng)Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比,結(jié)果顯示該模型可以明顯提高預(yù)測(cè)精度。在提出算法的基礎(chǔ)上,本文還提出將算法與實(shí)際結(jié)合,達(dá)到硬件上的實(shí)現(xiàn),成功的做到采集—處理—展現(xiàn)的整個(gè)過程。在普通的PC機(jī)上即可獲取遠(yuǎn)程風(fēng)力發(fā)電機(jī)坐標(biāo)位置的下一時(shí)刻預(yù)測(cè)風(fēng)速。
[Abstract]:The prediction of wind speed time series plays a very important role in the operation of wind farm. It not only relates to the operational quantity of wind turbine, but also to the safe, reliable and economical operation of power system.The prediction accuracy of wind speed time series has a direct impact on the economy and stability of power system in wind power field, so wind speed time series prediction is one of the most important research fields at home and abroad.In recent years, with the maturity of artificial neural network modeling, artificial neural network model as an important means of forecasting wind speed time series has been widely used.In the process of practical application, because BP neural network appeared earlier and the technology was mature, the model of BP neural network is usually modeled. Compared with BP neural network, Elman neural network model has feedback and recursion.There are some advantages in the prediction of complex time series of wind speed, but the Elman neural network is prone to fall into local minima and the prediction accuracy is poor.In view of the shortcomings and shortcomings of traditional Elman neural networks, this paper proposes a method of combining hysteresis with Elman neural networks, and constructs a Elman neural network model with compound characteristics by using the data processed by stationary processing.On the basis of the traditional Elman neural network, the hysteresis factor is introduced into the hidden layer and the correlation layer. The hysteresis function constructed in this paper replaces the traditional Sigmoid function.Because the hysteresis function is composed of two closed curves, when the data is processed, the upper and lower curves are selected according to the specified rules, which makes the output data have a certain random jump variation, which can jump out of the local minimum to a certain extent.The precision of prediction is further improved by using the data after stabilization.This paper uses the actual data of a wind farm in North China to simulate and predict the proposed model and method, and compares it with the traditional Elman neural network. The results show that the model can obviously improve the prediction accuracy.On the basis of the proposed algorithm, this paper also proposes to combine the algorithm with practice to achieve the hardware implementation, and successfully achieve the whole process of collecting, processing and displaying.The wind speed can be predicted at the next moment when the coordinate position of the remote wind turbine can be obtained on the ordinary PC computer.
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP183;TM614

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 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

2 湯井田;曹揚(yáng);肖嘉瑩;郭曲練;;Predication of plasma concentration of remifentanil based on Elman neural network[J];Journal of Central South University;2013年11期

3 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

4 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

5 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

6 金宇華;羅沛蘭;扶名福;楊國泰;;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

7 蘇剛;王玲玲;徐永生;;基于改進(jìn)Elman網(wǎng)絡(luò)的燃?xì)庳?fù)荷預(yù)測(cè)[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年S1期

8 弓學(xué)敏;胡靜;;基于模擬退火算法的Elman網(wǎng)絡(luò)及其應(yīng)用[J];電力科學(xué)與工程;2008年08期

9 李翔,陳增強(qiáng),袁著祉,賀江峰;基于擴(kuò)展Elman網(wǎng)絡(luò)的非線性自校正控制器[J];自動(dòng)化儀表;1999年12期

10 張倩;;基于Elman網(wǎng)絡(luò)非線性散射參數(shù)測(cè)量與建模[J];現(xiàn)代電子技術(shù);2011年03期

相關(guān)會(huì)議論文 前10條

1 ;Study of PID Elman Neural Network and Its Application in Dynamical Systems Identification[A];第二十四屆中國控制會(huì)議論文集（下冊(cè)）[C];2005年

2 ;Identification of dynamic nonlinear systems using recurrent neural networks[A];第十九屆中國控制會(huì)議論文集（一）[C];2000年

3 蘇剛;王玲玲;徐永生;;基于改進(jìn)Elman網(wǎng)絡(luò)的燃?xì)庳?fù)荷預(yù)測(cè)[A];第十七屆全國過路控制會(huì)議論文集[C];2006年

4 趙建玉;高慧;賈磊;;基于Elman神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)模型[A];第二十七屆中國控制會(huì)議論文集[C];2008年

5 郭式偉;呂建;張秀蘭;;基于改進(jìn)Elman網(wǎng)絡(luò)的空調(diào)負(fù)荷預(yù)測(cè)[A];全國暖通空調(diào)制冷2008年學(xué)術(shù)年會(huì)資料集[C];2008年

6 符利勇;何錚;唐守正;劉應(yīng)安;;基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的林隙大小預(yù)測(cè)模型[A];第九屆中國林業(yè)青年學(xué)術(shù)年會(huì)論文摘要集[C];2010年

7 WenJie Wu;DaGui HUANG;Zheng DONG;;Fault Diagnosis of the Aeroengine Based on Neural Network and D-S Evidence Theory[A];Proceedings of 2011 International Conference on Computer Science and Information Technology(ICCSIT 2011)[C];2011年

8 孟令啟;張洛明;韓麗麗;馬金亮;黃其柏;;基于MATLAB的Elman神經(jīng)網(wǎng)絡(luò)在中厚板軋機(jī)寬展預(yù)測(cè)中的應(yīng)用[A];第二屆中國CAE工程分析技術(shù)年會(huì)論文集[C];2006年

9 ;Battery State-Of-Charge Estimation in Electric Vehicle Using Elman Neural Network Method[A];第二十九屆中國控制會(huì)議論文集[C];2010年

10 邰新軍;陸建榮;;基于Elman神經(jīng)網(wǎng)絡(luò)的炮兵戰(zhàn)場(chǎng)目標(biāo)價(jià)值分析[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2011年

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 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

2 宋菁華;高爐冶煉過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

3 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

4 艾靜;基于GA-Elman預(yù)測(cè)模型的網(wǎng)絡(luò)輿情研究[D];華中師范大學(xué);2013年

5 韓旭明;Elman神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D];天津大學(xué);2006年

6 張巧;基于改進(jìn)免疫算法和Elman神經(jīng)網(wǎng)絡(luò)的超聲馬達(dá)速度辨識(shí)與控制[D];吉林大學(xué);2006年

7 段羅佳;基于Elman神經(jīng)網(wǎng)絡(luò)的豇豆熱風(fēng)干燥含水率預(yù)測(cè)模型研究[D];內(nèi)蒙古農(nóng)業(yè)大學(xué);2015年

8 胡錦;基于Elman神經(jīng)網(wǎng)絡(luò)的示功圖診斷研究[D];安徽工業(yè)大學(xué);2013年

9 石紹堂;基于Elman神經(jīng)網(wǎng)絡(luò)的黃金期貨價(jià)格預(yù)測(cè)模型研究[D];廣西民族大學(xué);2012年

10 朱曉亮;基于Elman網(wǎng)絡(luò)與GPU加速的時(shí)間序列預(yù)測(cè)[D];大連理工大學(xué);2013年

，

本文編號(hào)：1718570