【摘要】：隨著環(huán)境污染、能源安全以及全球氣候變暖等問(wèn)題的日趨嚴(yán)重,風(fēng)電作為重要的清潔能源,以其可再生、環(huán)保等優(yōu)點(diǎn)蓬勃發(fā)展。但風(fēng)速具有強(qiáng)波動(dòng)性,對(duì)電網(wǎng)的安全穩(wěn)定運(yùn)行帶來(lái)了很大影響,所以準(zhǔn)確地預(yù)測(cè)風(fēng)速或給出風(fēng)速可能的波動(dòng)范圍具有重要的意義�，F(xiàn)有的風(fēng)速預(yù)測(cè)方法多為點(diǎn)預(yù)測(cè),但對(duì)風(fēng)速可能的變化范圍研究的學(xué)者很少,技術(shù)尚不太成熟。對(duì)于點(diǎn)預(yù)測(cè)方法,誤差是不可避免的,但如果可以根據(jù)點(diǎn)預(yù)測(cè)的原理,對(duì)風(fēng)速進(jìn)行區(qū)間預(yù)測(cè),則能夠?yàn)轱L(fēng)力發(fā)電部門(mén)提供更多的風(fēng)速不確定性信息,為風(fēng)力發(fā)電的決策者提供更科學(xué)的參考�；诖�,本文以綜合目標(biāo)函數(shù)PPA作為優(yōu)化準(zhǔn)則,提出了基于灰狼優(yōu)化算法(GWO)和BP神經(jīng)網(wǎng)絡(luò)的混合區(qū)間預(yù)測(cè)模型CEEMD-GWO-PPA-BP。該預(yù)測(cè)模型主要包括三個(gè)步驟:(1)使用互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解(CEEMD)算法,對(duì)原始的短期風(fēng)速時(shí)間序列進(jìn)行分解,獲得若干IMFs以及一列殘差;(2)利用GWO算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)所有IMFs和殘差進(jìn)行預(yù)測(cè);(3)以包括了預(yù)測(cè)區(qū)間覆蓋率、預(yù)測(cè)區(qū)間平均帶寬和累計(jì)帶寬偏差三個(gè)指標(biāo)的綜合目標(biāo)函數(shù)PPA為優(yōu)化準(zhǔn)則,根據(jù)經(jīng)過(guò)GWO算法優(yōu)化的多輸入雙輸出的BP神經(jīng)網(wǎng)絡(luò),對(duì)得到的每個(gè)IMF和殘差的預(yù)測(cè)值進(jìn)行集成預(yù)測(cè),得到預(yù)測(cè)區(qū)間的上界和下界。同時(shí),本文還從數(shù)據(jù)分解方法、優(yōu)化算法和優(yōu)化準(zhǔn)則三方面進(jìn)行了模型對(duì)比分析。分析結(jié)果表明,本篇文章提出的CEEMD-GWO-PPA-BP混合模型綜合效果比對(duì)比模型具有更好的表現(xiàn),在保證預(yù)測(cè)區(qū)間覆蓋率和預(yù)測(cè)區(qū)間平均帶寬無(wú)太大變化的前提下,能夠明顯的減小累計(jì)帶寬偏差,獲得更清晰準(zhǔn)確的預(yù)測(cè)區(qū)間。
【學(xué)位授予單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TM614;P457.5
【圖文】：

蘭州大學(xué)碩士研究生學(xué)位論文 基于灰狼優(yōu)化算法的風(fēng)電場(chǎng)短期風(fēng)速區(qū)間預(yù)測(cè)此外， 1 j j jf I H H，故： 11 ,mj j j k jkk H H (2-15)2.2 BP 神經(jīng)網(wǎng)絡(luò)區(qū)間預(yù)測(cè)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)本文基于多輸入雙輸出的 BP 算法區(qū)間預(yù)測(cè)模型，以 sigmoid 函數(shù)作為轉(zhuǎn)移函數(shù)。利用灰色關(guān)聯(lián)分析確定輸入層的節(jié)點(diǎn)數(shù) N，根據(jù)公式法和試湊法確定隱含層的節(jié)點(diǎn)數(shù) k。在 IMFs 分量和殘差的預(yù)測(cè)中采用常規(guī)的多輸入單輸出的 BP 神經(jīng)網(wǎng)絡(luò)，即其 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為 N-k-1；而對(duì) IMFs 和殘差進(jìn)行集成預(yù)測(cè)時(shí)，本文采用多輸入雙輸出的 BP 神經(jīng)網(wǎng)絡(luò)直接輸出短期風(fēng)速的上界和下界，即其 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為 N-k-2，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖 2-1。

在給定名義置信水平下，溫克勒總體得分的絕對(duì)值越小，表明預(yù)測(cè)區(qū)間效果越好。4.3 基于 CEEMD-GWO-PPA-BP 的短期風(fēng)速區(qū)間預(yù)測(cè)本部分將簡(jiǎn)要介紹本文提出的混合模型 CEEMD-GWO-PPA-BP,該模型的預(yù)測(cè)基本框架如圖 4-1.其預(yù)測(cè)的基本步驟如下：（1）利用灰色關(guān)聯(lián)分析對(duì)短期風(fēng)速原始時(shí)間序列進(jìn)行關(guān)聯(lián)性分析，確定模型的輸入維度（2）對(duì)原始短期風(fēng)速數(shù)據(jù)進(jìn)行小幅上下浮動(dòng)（15%），作為預(yù)測(cè)輸出的初始上下限；（3）采用 CEEMD方法對(duì)原始短期風(fēng)速時(shí)間序列進(jìn)行分解，得到3個(gè)頻率依次從高到低排列的IMFs分量以及一個(gè)殘差序列 Residual； （4）根據(jù)灰色關(guān)聯(lián)度確定的模型輸入維度和基于 GWO 算法的多輸入單輸出 BP 神經(jīng)網(wǎng)絡(luò)（3-7-1）對(duì)每個(gè) IMFs 和殘差進(jìn)行單獨(dú)預(yù)測(cè)；（5）對(duì) IMFs 和殘差采用基于 GWO 算法以及 PPA 優(yōu)化準(zhǔn)則的多輸入雙輸出 BP 神經(jīng)網(wǎng)絡(luò)（結(jié)構(gòu)為 4-5-2）進(jìn)行集成預(yù)測(cè)，得到風(fēng)速預(yù)測(cè)區(qū)間。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張章文;;美國(guó)灰狼告別瀕危狀態(tài)[J];科學(xué)大觀園;2013年20期

2 周鏵;灰狼看天[J];大自然探索;2002年05期

3 蘇飛龍;;灰狼和綿羊鄰居[J];小哥白尼(野生動(dòng)物畫(huà)報(bào));2009年07期

4 荒石;灰狼的故事[J];三月風(fēng);2002年01期

5 仇保燕;機(jī)智·兇殘·母愛(ài)——灰狼[J];野生動(dòng)物;2002年03期

6 單國(guó)棟;;序限制下最優(yōu)尺度同變預(yù)測(cè)區(qū)間的改進(jìn)[J];長(zhǎng)春大學(xué)學(xué)報(bào);2007年10期

7 ;狼更愛(ài)吃魚(yú)?[J];大自然探索;2009年03期

8 馬秋紅;單國(guó)棟;肖玉山;;序限制下同變預(yù)測(cè)區(qū)間的改進(jìn)[J];東北師大學(xué)報(bào)(自然科學(xué)版);2006年04期

9 文平;;非對(duì)稱損失下的預(yù)測(cè)區(qū)間[J];應(yīng)用概率統(tǒng)計(jì);2012年03期

10 趙興球;時(shí)間序列多期累積量的預(yù)測(cè)區(qū)間及應(yīng)用[J];統(tǒng)計(jì)研究;1998年06期

相關(guān)重要報(bào)紙文章 前9條

1 綠意;加拿大保護(hù)“海岸灰狼”[N];光明日?qǐng)?bào);2002年

2 劉霞;遺傳分析顯示狗源自中東灰狼[N];科技日?qǐng)?bào);2010年

3 記者 馬波;家犬起源于東亞南部灰狼[N];科技日?qǐng)?bào);2011年

4 本報(bào)記者 葉飛;艾斯卡爾和他的灰狼樂(lè)隊(duì)[N];中國(guó)文化報(bào);2010年

5 河山;“聽(tīng)話”的孩子多心理問(wèn)題[N];大眾衛(wèi)生報(bào);2003年

6 證券時(shí)報(bào)記者 木木;美的關(guān)鍵不在大小[N];證券時(shí)報(bào);2014年

7 肖 楊;狼回來(lái)以后[N];大眾科技報(bào);2004年

8 李俊;豆價(jià)弱市中大幅反彈[N];第一財(cái)經(jīng)日?qǐng)?bào);2006年

9 中國(guó)科學(xué)院動(dòng)物研究所副研究員 解焱;圍捕灰狼的悲哀[N];北京科技報(bào);2012年

相關(guān)博士學(xué)位論文 前2條

1 夏穎;WLAN室內(nèi)半監(jiān)督定位及指紋更新算法研究[D];哈爾濱工業(yè)大學(xué);2016年

2 戴震龍;幾類問(wèn)題基于自然邊界歸化的算法研究[D];南京師范大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 王玉芳;基于灰狼優(yōu)化算法的風(fēng)電場(chǎng)短期風(fēng)速區(qū)間預(yù)測(cè)[D];蘭州大學(xué);2017年

2 徐惠;自回歸時(shí)間序列誤差分位數(shù)的默示有效估計(jì)及預(yù)測(cè)區(qū)間[D];蘇州大學(xué);2015年

3 韋陽(yáng)陽(yáng);兩類廣義多乘積規(guī)劃問(wèn)題的優(yōu)化算法[D];河南師范大學(xué);2017年

4 李曉萍;有約束條件優(yōu)化問(wèn)題的MM算法[D];蘭州大學(xué);2017年

5 單國(guó)棟;序限制下最優(yōu)位置同變預(yù)測(cè)量和預(yù)測(cè)區(qū)間的改進(jìn)[D];吉林大學(xué);2006年

6 張曉丹;WSN中基于改進(jìn)粒子群優(yōu)化算法的分簇拓?fù)渌惴ㄑ芯縖D];鄭州大學(xué);2017年

7 杜仲平;基于嵌入式的嬰兒哭聲報(bào)警算法研究[D];天津大學(xué);2016年

8 馬霜遜;基于標(biāo)簽傳播的PU學(xué)習(xí)算法研究[D];蘭州大學(xué);2017年

9 賈yN愷;基于深度特征學(xué)習(xí)的目標(biāo)檢測(cè)與跟蹤算法研究[D];西安科技大學(xué);2017年

10 張燦龍;不確定DM-chameleon聚類算法在滑坡危險(xiǎn)性預(yù)測(cè)的研究及應(yīng)用[D];江西理工大學(xué);2017年

本文編號(hào)：2768887