本文關(guān)鍵詞：風(fēng)速相似性形態(tài)研究及其在短期風(fēng)速預(yù)測(cè)中的應(yīng)用

  更多相關(guān)文章： 風(fēng)電機(jī) 缺損數(shù)據(jù)填充 粒子群優(yōu)化方法 廣義回歸神經(jīng)網(wǎng)絡(luò) 短期風(fēng)速預(yù)報(bào)

【摘要】：風(fēng)能的波動(dòng)性,影響了電力系統(tǒng)的安全和穩(wěn)定。準(zhǔn)確的短期風(fēng)速預(yù)測(cè)是電力系統(tǒng)可靠運(yùn)行的一個(gè)重要保障。本文從風(fēng)速的日變化與下墊面地表溫度關(guān)系密切而呈現(xiàn)24小時(shí)弱周期變化的特點(diǎn)出發(fā),查找風(fēng)速數(shù)據(jù)的相似性序列,采用動(dòng)態(tài)時(shí)間規(guī)整法和相關(guān)系數(shù)法組合預(yù)報(bào),進(jìn)行短期風(fēng)速預(yù)測(cè)。因?yàn)檫M(jìn)行風(fēng)速預(yù)測(cè)的原始數(shù)據(jù)存在缺陷,不能直接用于預(yù)測(cè),所以先要對(duì)原始風(fēng)速數(shù)據(jù)進(jìn)行質(zhì)量控制,因此,本文的研究工作主要包括原始風(fēng)速數(shù)據(jù)的質(zhì)量控制和短期風(fēng)速預(yù)報(bào)兩方面,其中主要的創(chuàng)新在于提出了構(gòu)造基于熵權(quán)的缺損風(fēng)速集成填充模型和采用基于改進(jìn)的廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行短期風(fēng)速預(yù)測(cè)兩點(diǎn)。原始風(fēng)速數(shù)據(jù)的質(zhì)量控制中最重要的就是缺損數(shù)據(jù)的填充問題,本文采用了基于風(fēng)速相似性形態(tài)分析的風(fēng)電機(jī)缺損測(cè)量風(fēng)速集成填充方法。首先,在現(xiàn)有空間鄰點(diǎn)法(SNN)的基礎(chǔ)上,以“成員等同性”為評(píng)價(jià)標(biāo)準(zhǔn),引入了動(dòng)態(tài)時(shí)間規(guī)整法(DTW)和相關(guān)系數(shù)法(PCC),分別搜尋與缺損測(cè)量風(fēng)速風(fēng)電機(jī)風(fēng)速演化最為相似的若干臺(tái)風(fēng)電機(jī)及對(duì)應(yīng)的測(cè)量風(fēng)速時(shí)序,建立基于廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)的填充子模型,采用粒子群算法對(duì)廣義回歸神經(jīng)網(wǎng)絡(luò)的模型參數(shù)和訓(xùn)練集的構(gòu)成進(jìn)行全局優(yōu)化,之后選取較好的子模型構(gòu)造自適應(yīng)的基于信息熵的集成填充模型。在短期風(fēng)速預(yù)測(cè)方面,分別采用動(dòng)態(tài)時(shí)間規(guī)整法和相關(guān)系數(shù)法,對(duì)預(yù)報(bào)風(fēng)機(jī)數(shù)據(jù)與所有風(fēng)機(jī)數(shù)據(jù)逐日對(duì)應(yīng)一定時(shí)段的風(fēng)速子序列進(jìn)行相似性分析,提取演化最相似的若干子序列的風(fēng)速數(shù)據(jù),分別建立基于動(dòng)態(tài)時(shí)間規(guī)整法和相關(guān)系數(shù)法的廣義回歸神經(jīng)網(wǎng)絡(luò)子模型預(yù)報(bào)單元,各子模型的具體參數(shù)采用粒子群算法進(jìn)行全局優(yōu)化,兩個(gè)子模型預(yù)報(bào)結(jié)果的平均值作為組合預(yù)報(bào)方法的最終預(yù)報(bào)結(jié)果。最后將預(yù)報(bào)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)外推法、GRNN神經(jīng)網(wǎng)絡(luò)外推法和ARIMA時(shí)間序列法進(jìn)行比較。最終實(shí)驗(yàn)結(jié)果表明,基于相似性原理進(jìn)行短期風(fēng)速預(yù)報(bào)是可行的,其效果要好于基于外推的方法。
【關(guān)鍵詞】：風(fēng)電機(jī) 缺損數(shù)據(jù)填充 粒子群優(yōu)化方法 廣義回歸神經(jīng)網(wǎng)絡(luò) 短期風(fēng)速預(yù)報(bào)
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM614;TP18
【目錄】：

• 摘要5-6
• Abstract6-8
• 第一章 緒論8-17
• 1.1 研究背景與意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-14
• 1.2.1 風(fēng)速采集數(shù)據(jù)質(zhì)量控制方法9-11
• 1.2.2 基于物理模型的短期風(fēng)速預(yù)測(cè)11-12
• 1.2.3 基于統(tǒng)計(jì)的短期風(fēng)速預(yù)測(cè)方法12-14
• 1.3 本文的主要研究內(nèi)容14-15
• 1.4 本文的組織結(jié)構(gòu)15-17
• 第二章 風(fēng)電場(chǎng)風(fēng)機(jī)采樣風(fēng)速統(tǒng)計(jì)規(guī)律研究17-22
• 2.1 引言17
• 2.2 風(fēng)能簡介與風(fēng)速采集局限性的研究17-18
• 2.3 測(cè)量風(fēng)速質(zhì)量控制流程和標(biāo)準(zhǔn)18-19
• 2.4 風(fēng)速數(shù)據(jù)非線性分析19-22
• 第三章 風(fēng)電機(jī)測(cè)量風(fēng)速缺損值的填充方法22-38
• 3.1 引言22
• 3.2 測(cè)量風(fēng)速缺損值填充的模型思路和架構(gòu)22-23
• 3.3 測(cè)量風(fēng)速缺損值填充的相關(guān)算法23-28
• 3.3.1 相似性形態(tài)分析的相關(guān)算法23-25
• 3.3.2 基于廣義回歸神經(jīng)網(wǎng)絡(luò)模型的缺損數(shù)據(jù)填充相關(guān)算法25-28
• 3.4 基于熵權(quán)的測(cè)量風(fēng)速缺損值集成填充方法研究28-38
• 3.4.1 風(fēng)速缺損值填充方法28-32
• 3.4.2 算法實(shí)驗(yàn)與結(jié)果分析32-38
• 第四章 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)38-51
• 4.1 引言38
• 4.2 短期風(fēng)速預(yù)測(cè)的模型思路和架構(gòu)38-39
• 4.3 短期風(fēng)速預(yù)測(cè)的相關(guān)算法39-41
• 4.3.1 ARIMA時(shí)間序列法39-40
• 4.3.2 BP神經(jīng)網(wǎng)絡(luò)外推法40-41
• 4.4 基于相似性的短期風(fēng)速預(yù)測(cè)的算法研究41-51
• 4.4.1 數(shù)據(jù)相似性判定41-42
• 4.4.2 粒子群算法優(yōu)化GRNN子模型參數(shù)42-43
• 4.4.3 基于DTW和PCC的兩種GRNN子模型的組合預(yù)報(bào)43-45
• 4.4.4 算法實(shí)驗(yàn)與結(jié)果分析45-51
• 第五章 結(jié)論與展望51-53
• 5.1 結(jié)論51-52
• 5.2 展望52-53
• 致謝53-54
• 參考文獻(xiàn)54-59
• 作者介紹59

，

本文編號(hào)：856661