包括太陽能和風能在內的可再生能源的并網(wǎng)容量越來越大。可再生能源區(qū)別于傳統(tǒng)能源的最大特點在于其發(fā)電能力受自然條件的影響,具有天生的不確定性與間歇性,給電力系統(tǒng)的運行方式、調度方式帶來了很大的挑戰(zhàn)。因此,對于高精度的可再生能源比如說太陽能的高精度預測成為了一個熱門的領域并且吸引了眾多學者的關注。在本文的研究中,我們提出了一個基于Trust-Tech的分群遺傳算法的支持向量回歸機預測模型。該模型中有幾個顯著的特點:第一,數(shù)據(jù)驅動型的特征選擇算法被用來選擇與預測相關的特征,并且可以提升預測精度。除了預測精度的提升之外,該特征選擇算法還能通過去除不相關特征以及冗余特征來降低輸入數(shù)據(jù)特征維度,從而達到加速支持向量機模型訓練速度的特點。第二,為了提高預測的精度,我們還提出了Trust-Tech分群遺傳算法。該算法不僅能提高預測精度,嵌入的分群算法同樣能加速遺傳算法的收斂速度,同時還可以得到多組具有相似特性的解。第三,將上述步驟中得到的具有高精度的多組解可以通過組合的方法來得到最終具有最強泛化能力的支持向量機模型。在本文的另一部分研究中,我們提出了一種新的思想,就是將組合核函數(shù)支持向量回歸機應用于太陽... 

【文章來源】：天津大學天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

NOAA/ESRL全球組合預報系統(tǒng)與98個奧克拉荷馬中尺度站的地理位置關系

起一直測量到世界調整時間(Universal Time Coordinated, UTC)23 點 55 分，之后對這些測量量進行加和。所用到的 NOAA/ESRL 全球組合預報系統(tǒng)第二版數(shù)值氣象預報信息均是預報信息，采樣點是每天 12 點，15 點，18 點，21點和 24 點。也就是說，每天對各個氣象站每個特征（共計 15 個特征，見表3-1）在上述不同時間進行 5 次數(shù)據(jù)讀取。除此之外，對于每一個采集的數(shù)據(jù)點，都有 11 個有著不同初始條件的值。例如對于 2000 年 11 月 1 日中午 12點的某一個氣象站的平均海拔氣壓這一數(shù)據(jù)點，總共有 11 組具有不同初始條件的預報值。對于每一個氣象站的海拔信息，由于模型建模時的平滑處理，數(shù)據(jù)中提供的海拔信息與真實的海拔信息會有差別。本次競賽共吸引了共計 160 支隊伍 199 名人員的參與。該競賽已于 2013 年11 月 15 日結束。競賽主辦方提供了樣條插值(Spline Interpolation)，高斯混合模型(Gaussian Mixture Mode)與隨機正態(tài)(Random Normal)三種方法作為基準方法。名次較靠前的選手所使用的方法及數(shù)據(jù)的處理方式都在競賽網(wǎng)站上公布。圖 3-2列出了測試數(shù)據(jù)前四名[50]。更多詳細的信息可參考競賽網(wǎng)站。

【參考文獻】：
期刊論文
[1]太陽能光伏電站發(fā)電量變化特征及其與氣象要素的關系[J]. 孫朋杰,陳正洪,成馳,張榮.  水電能源科學. 2013(11)
[2]短期太陽能光伏發(fā)電預測方法研究進展[J]. 崔洋,孫銀川,常倬林.  資源科學. 2013(07)
[3]影響太陽能光伏發(fā)電功率的環(huán)境氣象因子診斷分析[J]. 劉玉蘭,孫銀川,桑建人,左河疆,嚴曉瑜,馬篩艷.  水電能源科學. 2011(12)
[4]多核學習方法[J]. 汪洪橋,孫富春,蔡艷寧,陳寧,丁林閣.  自動化學報. 2010(08)



本文編號：3391442