本文關鍵詞：基于GACO支持向量機的新能源電力系統(tǒng)狀態(tài)預測方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來,隨著化石能源的枯竭和環(huán)境污染問題日趨嚴重,新能源產業(yè)得到長足發(fā)展。新能源產業(yè)中,光伏和風電作為優(yōu)質的可再生能源獲得了廣泛的關注。隨著光伏、風電技術的發(fā)展,其控制過程中的一系列難題也暴露出來。對于光伏系統(tǒng),其輸出功率具有不確定性和不連貫性,不可預知的功率在并網(wǎng)過程中會造成不利影響；對于風電系統(tǒng),控制過程中的重要變量風速無法通過風速儀準確獲取,陣風到來時也無法提前預知,影響風電機組的控制與監(jiān)測策略,造成風機載荷過大、風機使用壽命縮短等問題。為解決上述問題,本文基于改進仿生算法對支持向量機(Support Vector Machine, SVM)進行優(yōu)化,并在此基礎上,設計光伏出力、風速預測方法,以及陣風判斷方法。主要研究內容包括以下三方面：(1)研究基于網(wǎng)格蟻群算法(Grid-aided Ant Colony Optimization,GACO)的支持向量機算法(GACO-SVM)。在智能生物仿真算法蟻群算法的基礎上,引入了網(wǎng)格搜索算法對蟻群算法的局部搜索過程進行優(yōu)化,從而融合網(wǎng)格法和蟻群法的優(yōu)點,進而將GACO應用于支持向量機參數(shù)選擇中。(2)研究基于GACO-SVM的光伏系統(tǒng)功率產出預測方法。對典型的光伏模塊MSX60進行分析和建模,結合澳大利亞光伏研究機構提供的真實光照、溫度數(shù)據(jù),計算光伏系統(tǒng)功率產出的理論值,作為支持向量機的訓練樣本。仿真實驗表明,訓練得到的模型可對未來光伏功率產出進行高精度的預測。(3)研究基于GACO-SVM的風電機組風速預測和陣風判斷方法。面向大型海上風電機組模型,使用Bladed專業(yè)軟件模擬產生IEC標準工況下的運行狀態(tài)數(shù)據(jù),并通過相關性分析避免冗余計算,提高運算效率和精度。進而,對此數(shù)據(jù)使用GACO-SVM進行回歸和分類計算,實現(xiàn)了高效高精度的風速預測和陣風判斷,為風電機組的控制與監(jiān)測策略設計奠定了基礎。
【關鍵詞】：光伏系統(tǒng) 風力發(fā)電機組 支持向量機 蟻群算法 相關性分析 Bladed
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM61;TP18
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-23
• 1.1 光伏產業(yè)發(fā)展現(xiàn)狀11-14
• 1.1.1 國外光伏產業(yè)發(fā)展現(xiàn)狀11-13
• 1.1.2 國內光優(yōu)產業(yè)發(fā)展現(xiàn)狀13-14
• 1.2 風電產業(yè)發(fā)展狀況14-17
• 1.2.1 國外風電產業(yè)發(fā)展狀況14-16
• 1.2.2 國內風電產業(yè)發(fā)展現(xiàn)狀16-17
• 1.3 課題來源和研究意義17-18
• 1.4 本文所涉及的領域的國內外研究現(xiàn)狀18-21
• 1.4.1 支持向量機參數(shù)選擇研究現(xiàn)狀18-19
• 1.4.2 光伏出力預測研究現(xiàn)狀19-20
• 1.4.3 風速估計和陣風預測研究現(xiàn)狀20-21
• 1.5 論文內容21-23
• 2 支持向量機基本原理及論文總體方案23-35
• 2.1 引言23
• 2.2 機器學習23-27
• 2.2.1 機械式學習24-25
• 2.2.2 歸納學習25
• 2.2.3 基于解釋的學習25-26
• 2.2.4 神經(jīng)網(wǎng)絡26
• 2.2.5 遺傳算法26-27
• 2.3 支持向量機27-32
• 2.3.1 統(tǒng)計學理論27
• 2.3.2 VC維與結構風險最小化原則27-28
• 2.3.3 支持向量機分類28-29
• 2.3.4 支持向量機回歸29-31
• 2.3.5 LibSVM工具箱31-32
• 2.3.6 支持向量機的參數(shù)選擇32
• 2.4 論文總體方案設計32-34
• 2.5 本章總結34-35
• 3 GACO算法及其在SVM參數(shù)選擇中的應用35-46
• 3.1 序言35
• 3.2 蟻群算法簡介35-37
• 3.3 蟻群算法在支持向量機參數(shù)選擇中的應用37-39
• 3.4 網(wǎng)格搜索法39-40
• 3.5 網(wǎng)格優(yōu)化的蟻群算法40-41
• 3.6 仿真實驗41-45
• 3.7 本章總結45-46
• 4 基于GACO參數(shù)選擇的支持向量機光伏出力預測46-58
• 4.1 引言46
• 4.2 光伏電池工作原理46-47
• 4.3 光伏電池輸出功率預測47-48
• 4.4 光伏電池模型構建48-51
• 4.5 多種天氣情況下光伏輸出功率預測仿真分析51-57
• 4.5.1 少云天氣下輸出功率預測53-54
• 4.5.2 多云天氣下輸出功率預測54-55
• 4.5.3 陣雨天氣下輸出功率預測55-57
• 4.6 本章總結57-58
• 5 基于GACO支持向量機的風速預測和陣風判斷58-76
• 5.1 引言58-59
• 5.2 風電機組及其模型建立59-65
• 5.2.1 風電機組主要構造59-61
• 5.2.2 風電機組發(fā)電原理61-62
• 5.2.3 Bladed仿真平臺62-64
• 5.2.4 基于SPSS的相關性分析64-65
• 5.3 基于支持向量機回歸的風速預測65-72
• 5.3.1 9m/s湍流風風速預測67-69
• 5.3.2 11m/s湍流風風速預測69-71
• 5.3.3 14m/s湍流風風速預測71-72
• 5.4 基于支持向量機分類的陣風判斷72-75
• 5.5 本章總結75-76
• 6 結論76-78
• 6.1 研究工作總結76-77
• 6.2 后續(xù)工作展望77-78
• 參考文獻78-82
• 作者簡歷及攻讀碩士學位期間取得的研究成果82-84
• 學位論文數(shù)據(jù)集84

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機和小波分解的氣體識別研究[J];儀器儀表學報;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機的一個邊界樣本修剪方法[J];合肥工業(yè)大學學報(自然科學版);2006年07期

3 張菁華;袁鑫;劉達;;基于支持向量機的電力工程最優(yōu)投標報價決策研究[J];山東電力高等�？茖W校學報;2006年04期

4 張濤;段淑敏;;支持向量機在中醫(yī)疾病癥候診斷中的應用[J];華北水利水電學院學報;2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機回歸[J];清華大學學報(自然科學版);2007年S2期

6 陳丹;;多類支持向量機算法的研究[J];東莞理工學院學報;2007年05期

7 程麗麗;張健沛;馬駿;;一種改進的加權邊界調節(jié)支持向量機算法[J];哈爾濱工程大學學報;2007年10期

8 宋召青;崔和;胡云安;;支持向量機理論的研究與進展[J];海軍航空工程學院學報;2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機[J];黑龍江交通科技;2008年12期

10 許超;運士偉;舒云星;;基于支持向量機的混凝土測強換算模型[J];洛陽理工學院學報(自然科學版);2008年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 余樂安;姚瀟;;基于中心化支持向量機的信用風險評估模型[A];第六屆（2011）中國管理學年會——商務智能分會場論文集[C];2011年

2 劉希玉;徐志敏;段會川;;基于支持向量機的創(chuàng)新分類器[A];山東省計算機學會2005年信息技術與信息化研討會論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機學習方法[A];全國第19屆計算機技術與應用（CACIS）學術會議論文集（下冊）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機的系統(tǒng)辨識方法研究及應用[A];中國力學大會——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機方法的衢州降雪模型[A];第五屆長三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機方法預測膜蛋白類型[A];第十一次中國生物物理學術大會暨第九屆全國會員代表大會摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機綜述[A];全國第十五屆計算機科學與技術應用學術會議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學與支持向量機[A];2005年中國智能自動化會議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機算法[A];2006中國控制與決策學術年會論文集[C];2006年

10 侯澍e，

本文編號：262159