風(fēng)能是一種依賴氣候驅(qū)動的有前景的可再生能源,有助于克服化石燃料燃燒造成的全球變暖和環(huán)境污染,它具有極高的社會效益和經(jīng)濟效益�？稍偕茉吹氖褂檬侨祟惿鐣沙掷m(xù)發(fā)展的必然選擇,風(fēng)能在20世紀70年代被引入替代能源,自20世紀90年代以來增長速度比其他任何能源都快。然而隨著風(fēng)力發(fā)電的快速發(fā)展,出現(xiàn)了很多問題,與風(fēng)力發(fā)電相關(guān)的主要問題之一是風(fēng)速的不穩(wěn)定性和持續(xù)波動性極大地影響了電力系統(tǒng)的調(diào)度和風(fēng)力渦輪機的動態(tài)控制,因此準確的風(fēng)速預(yù)測對于風(fēng)能轉(zhuǎn)換系統(tǒng)的穩(wěn)定運行至關(guān)重要。本文提出了一種基于數(shù)據(jù)預(yù)處理技術(shù)與神經(jīng)網(wǎng)絡(luò)技術(shù)相結(jié)合的短期風(fēng)速預(yù)測模型,即WD-VMD-MEA-Elman混合模型。本文研究了如何通過數(shù)據(jù)預(yù)處理技術(shù)提高風(fēng)速預(yù)測的精度,使用優(yōu)于經(jīng)驗?zāi)B(tài)分解(EEMD)的變分模態(tài)分解(VMD)技術(shù)來分解風(fēng)速數(shù)據(jù)集,針對VMD分解所需的最優(yōu)模態(tài)數(shù)K和最優(yōu)懲罰參數(shù)α不確定性的問題,引入了布谷鳥搜索算法(CS)自適應(yīng)地確定K和α,并應(yīng)用了一種新的算法——思維進化算法(MEA)去優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)。本文提出的模型首先使用小波分解對原始風(fēng)速數(shù)據(jù)進行去噪,然后用布谷鳥搜索算法自適應(yīng)的確定變分模態(tài)分解(VMD)...

【文章頁數(shù)】：52 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 國內(nèi)外研究方法總結(jié)
    1.4 本文混合模型介紹及創(chuàng)新點
    1.5 文章結(jié)構(gòu)介紹
第二章 基本方法和模型構(gòu)建
    2.1 小波去噪(WD)
        2.1.1 小波分解與重構(gòu)：Mallat算法
        2.1.2 小波閾值去噪步驟
        2.1.3 小波去噪的評價
    2.2 VMD分解
        2.2.1 VMD分解基本算法
        2.2.2 基于布谷鳥搜索算法優(yōu)化的VMD參數(shù)尋優(yōu)
    2.3 Elman神經(jīng)網(wǎng)絡(luò)
        2.3.1 Elman神經(jīng)網(wǎng)的結(jié)構(gòu)
        2.3.2 Elman神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
    2.4 思維進化算法
        2.4.1 思維進化算法的術(shù)語和基本概念
        2.4.2 思維進化算法的步驟
        2.4.3 思維優(yōu)化算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)
    2.5 WD-VMD-MEA-Elman模型的提出和構(gòu)建過程
第三章 實證分析
    3.1 數(shù)據(jù)信息
    3.2 模型評價指標
    3.3 實驗一
        3.3.1 實驗一步驟
        3.3.2 模型比較和結(jié)果分析
    3.4 實驗二
第四章 結(jié)論
    4.1 結(jié)論
    4.2 不足和展望
參考文獻
致謝



本文編號：4026132