風能是一種依賴氣候驅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。然而隨著風力發(fā)電的快速發(fā)展,出現(xiàn)了很多問題,與風力發(fā)電相關的主要問題之一是風速的不穩(wěn)定性和持續(xù)波動性極大地影響了電力系統(tǒng)的調度和風力渦輪機的動態(tài)控制,因此準確的風速預測對于風能轉換系統(tǒng)的穩(wěn)定運行至關重要。本文提出了一種基于數據預處理技術與神經網絡技術相結合的短期風速預測模型,即WD-VMD-MEA-Elman混合模型。本文研究了如何通過數據預處理技術提高風速預測的精度,使用優(yōu)于經驗模態(tài)分解(EEMD)的變分模態(tài)分解(VMD)技術來分解風速數據集,針對VMD分解所需的最優(yōu)模態(tài)數K和最優(yōu)懲罰參數α不確定性的問題,引入了布谷鳥搜索算法(CS)自適應地確定K和α,并應用了一種新的算法——思維進化算法(MEA)去優(yōu)化Elman神經網絡。本文提出的模型首先使用小波分解對原始風速數據進行去噪,然后用布谷鳥搜索算法自適應的確定變分模態(tài)分解(VMD)...

【文章頁數】：52 頁

【學位級別】：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 國內外研究現(xiàn)狀
    1.3 國內外研究方法總結
    1.4 本文混合模型介紹及創(chuàng)新點
    1.5 文章結構介紹
第二章 基本方法和模型構建
    2.1 小波去噪(WD)
        2.1.1 小波分解與重構：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參數尋優(yōu)
    2.3 Elman神經網絡
        2.3.1 Elman神經網的結構
        2.3.2 Elman神經網絡的學習算法
    2.4 思維進化算法
        2.4.1 思維進化算法的術語和基本概念
        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神經網絡
    2.5 WD-VMD-MEA-Elman模型的提出和構建過程
第三章 實證分析
    3.1 數據信息
    3.2 模型評價指標
    3.3 實驗一
        3.3.1 實驗一步驟
        3.3.2 模型比較和結果分析
    3.4 實驗二
第四章 結論
    4.1 結論
    4.2 不足和展望
參考文獻
致謝



本文編號：4026132