對風(fēng)電場輸出功率的短期預(yù)測被普遍認(rèn)為是增加風(fēng)電接入容量、提高國家電網(wǎng)系統(tǒng)運(yùn)行安全性和經(jīng)濟(jì)性的有效手段,是風(fēng)力發(fā)電的熱點(diǎn)研究問題之一。風(fēng)電場輸出功率與風(fēng)速等多種氣象要素有關(guān),很難用一定的數(shù)學(xué)表達(dá)式來描述。在以往的風(fēng)電功率短期預(yù)測模型建立上,研究者習(xí)慣于采用歷史實(shí)測數(shù)據(jù)進(jìn)行研究,然而在實(shí)際情況下,往往缺少實(shí)測數(shù)據(jù)只有預(yù)報(bào)數(shù)據(jù),因此利用歷史實(shí)測數(shù)據(jù)所建立的模型應(yīng)用到實(shí)際的風(fēng)電功率短期預(yù)測中是不合理的。針對這一問題,本文采用數(shù)值天氣預(yù)報(bào)（NWP）數(shù)據(jù)進(jìn)行預(yù)測模型研究。 本論文主要進(jìn)行以下三個(gè)方面的工作： （1）首先利用BP神經(jīng)網(wǎng)絡(luò)建立風(fēng)電功率短期預(yù)測模型,然后針對BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值和節(jié)點(diǎn)閾值選取的盲目性和隨意性,容易陷入局部極小值導(dǎo)致預(yù)測結(jié)果的不穩(wěn)定問題,利用遺傳算法（GA）和粒子群算法（PSO）全局性搜索的優(yōu)勢來優(yōu)化BP神經(jīng)網(wǎng)絡(luò),建立GA-BP和PSO-BP風(fēng)電功率短期預(yù)測模型。實(shí)驗(yàn)結(jié)果表明,優(yōu)化后模型的預(yù)測精度高于單一BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。 （2）為了進(jìn)一步提高風(fēng)電功率短期預(yù)測的精度,反映不同天氣變化情況和機(jī)組狀態(tài),消除季節(jié)變化以及極端天氣情況對預(yù)測結(jié)果的影響我們... 

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 前言
    1.1 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 風(fēng)電場風(fēng)電功率預(yù)測的國內(nèi)外研究進(jìn)展
        1.2.2 神經(jīng)網(wǎng)絡(luò)方法預(yù)測風(fēng)電功率的國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容和方法
    1.4 研究成果
    1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)理論及方法
    2.1 神經(jīng)網(wǎng)絡(luò)
        2.1.1 神經(jīng)網(wǎng)絡(luò)的概念及特點(diǎn)
        2.1.2 神經(jīng)網(wǎng)絡(luò)的發(fā)展
    2.2 BP神經(jīng)網(wǎng)絡(luò)
    2.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
        2.3.1 遺傳算法的起源
        2.3.2 遺傳算法的基本要素
        2.3.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程
    2.4 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)
        2.4.1 粒子群算法的起源
        2.4.2 粒子群算法的介紹
        2.4.3 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程
    2.5 本章小結(jié)
第三章 風(fēng)電功率短期預(yù)測模型研究
    3.1 利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行風(fēng)電場功率短期預(yù)測
        3.1.1 BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)確定
        3.1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測風(fēng)電功率結(jié)果
    3.2 利用GA-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)電功率預(yù)測
    3.3 利用PSO-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行風(fēng)電功率預(yù)測
    3.4 組合預(yù)測模型研究
        3.4.1 組合預(yù)測的思想
        3.4.2 組合預(yù)測的方法實(shí)現(xiàn)
        3.4.3 組合預(yù)測的實(shí)驗(yàn)分析
    3.5 本章小結(jié)
第四章 風(fēng)電場原始數(shù)據(jù)的預(yù)處理
    4.1 風(fēng)電場概述
    4.2 風(fēng)電場原始數(shù)據(jù)的簡介
    4.3 風(fēng)電場風(fēng)速的基本知識(shí)
        4.3.1 風(fēng)速的變化特性
        4.3.2 風(fēng)速的合理變化范圍
    4.4 利用組合預(yù)測方法處理異常和缺省數(shù)據(jù)
        4.4.1 異�；蛉笔�(shù)據(jù)示例
        4.4.2 缺省或異常數(shù)據(jù)的補(bǔ)缺
    4.5 本章小結(jié)
第五章 按月份建立組合預(yù)測模型的應(yīng)用研究
    5.1 概述
    5.2 組合預(yù)測模型內(nèi)部參數(shù)的研究
        5.2.1 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱
        5.2.2 GA與PSO中運(yùn)行參數(shù)的設(shè)定
    5.3 按月份建立組合預(yù)測模型及結(jié)果分析
        5.3.1 實(shí)驗(yàn)樣本的選擇
        5.3.2 按月份建立組合預(yù)測模型的結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 進(jìn)一步的工作
參考文獻(xiàn)
作者簡介
    攻讀學(xué)位期間學(xué)習(xí)情況
    作者攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
    作者攻讀學(xué)位期間取得的其他學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于樣本熵和極端學(xué)習(xí)機(jī)的超短期風(fēng)電功率組合預(yù)測模型[J]. 張學(xué)清,梁軍,張熙,張峰,張利,徐兵.  中國電機(jī)工程學(xué)報(bào). 2013(25)
[2]考慮預(yù)測誤差分布特性的風(fēng)電場集群調(diào)度方法[J]. 湯奕,王琦,陳寧,朱凌志.  中國電機(jī)工程學(xué)報(bào). 2013(25)
[3]考慮風(fēng)電接入的電力系統(tǒng)經(jīng)濟(jì)調(diào)度研究[J]. 楊佳俊,徐建政.  電工電氣. 2013(08)
[4]風(fēng)電功率預(yù)測方法綜述及發(fā)展研究[J]. 牛東曉,范磊磊.  現(xiàn)代電力. 2013(04)
[5]基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的煤體瓦斯?jié)B透率預(yù)測模型[J]. 尹光志,李銘輝,李文璞,曹偈,李星.  煤炭學(xué)報(bào). 2013(07)
[6]基于自適應(yīng)線性邏輯網(wǎng)絡(luò)的風(fēng)電功率預(yù)測方法性能評估與分析[J]. 王媛媛,秦政,張超,包德梅,賴曉路,岳以洋.  可再生能源. 2013(06)
[7]基于GA-BP與多隱層BP網(wǎng)絡(luò)模型的水質(zhì)預(yù)測及比較分析[J]. 王澤平.  水資源與水工程學(xué)報(bào). 2013(03)
[8]基于小波Elman神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測[J]. 劉歡,劉吉臻,張文廣,張超.  華東電力. 2013(04)
[9]基于動(dòng)態(tài)權(quán)重的風(fēng)電功率組合預(yù)測方法研究[J]. 楊茂,賈云彭,錢為,陳琳.  東北電力大學(xué)學(xué)報(bào). 2013(Z1)
[10]基于風(fēng)功率預(yù)測的風(fēng)電場平滑控制電池容量的需求分析[J]. 潘文霞,傅中興,王鵬飛,何海平.  太陽能學(xué)報(bào). 2013(03)



本文編號(hào)：3724408