經(jīng)濟的快速發(fā)展帶來了能源需求的增加,化石燃料會給環(huán)境帶來一定程度的破壞,同時也不利于社會的永續(xù)發(fā)展。風(fēng)電作為可再生能源,日益引起全球各地的關(guān)注。但由于其具有一定的隨機性與波動性,給風(fēng)電的調(diào)度帶來了挑戰(zhàn)。因此精準的風(fēng)電功率預(yù)測能夠有力保障電力系統(tǒng)穩(wěn)定運行,為風(fēng)電的大規(guī)模并網(wǎng)指明方向。為了提高風(fēng)電功率預(yù)測的精度,本文應(yīng)用了基于注意力機制的CNN-LSTM模型,主要工作如下:首先,充分了解風(fēng)力發(fā)電的相關(guān)理論。了解風(fēng)電數(shù)據(jù)的特性,分析影響風(fēng)電功率的因素,對數(shù)據(jù)進行預(yù)處理,進行合理性檢驗、清洗與填充工作,建立風(fēng)電功率預(yù)測數(shù)據(jù)集,為后續(xù)工作奠定堅實基礎(chǔ)。然后,應(yīng)用CNN-LSTM組合模型。在深入分析幾種神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,利用單模型預(yù)測風(fēng)電功率,經(jīng)對比分析將特征提取能力強大的CNN模型與善于處理長時間序列的LSTM模型相結(jié)合,既提取了有用信息,又解決了長期依賴問題,在一定程度上提升了預(yù)測精度。最后,應(yīng)用基于注意力機制的CNN-LSTM模型。引入注意力機制,對CNN-LSTM組合模型進行優(yōu)化,并將其應(yīng)用到風(fēng)電功率預(yù)測領(lǐng)域。利用CNN網(wǎng)絡(luò)提取風(fēng)電序列的多維特征,將所提取的重要特征矢量視為LSTM的輸入值...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的風(fēng)電功率預(yù)測
        1.2.2 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測
        1.2.3 注意力機制在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的應(yīng)用
    1.3 本文研究內(nèi)容及創(chuàng)新點
第2章 風(fēng)電功率預(yù)測相關(guān)理論
    2.1 風(fēng)電功率數(shù)據(jù)的簡要介紹
        2.1.1 風(fēng)電數(shù)據(jù)的特性
        2.1.2 影響風(fēng)電功率的因素
    2.2 風(fēng)電功率預(yù)測的分類
        2.2.1 基于預(yù)測時間的分類
        2.2.2 基于預(yù)測模型的分類
    2.3 短期風(fēng)電功率預(yù)測的神經(jīng)網(wǎng)絡(luò)模型
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)
        2.3.2 CNN網(wǎng)絡(luò)
        2.3.3 RNN網(wǎng)絡(luò)
        2.3.4 LSTM網(wǎng)絡(luò)
    2.4 本章小節(jié)
第3章 風(fēng)電功率預(yù)測數(shù)據(jù)集的建立
    3.1 數(shù)據(jù)的合理性檢驗
    3.2 數(shù)據(jù)的清洗與填充
        3.2.1 基于四分位法的數(shù)據(jù)清洗
        3.2.2 基于插值法的數(shù)據(jù)填充
    3.3 數(shù)據(jù)的歸一化
    3.4 風(fēng)電功率預(yù)測誤差評價指標
    3.5 基于單個神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測
        3.5.1 樣本選取
        3.5.2 單模型驗證與對比
    3.6 本章小結(jié)
第4章 實證分析
    4.1 基于組合模型的風(fēng)電功率預(yù)測
        4.1.1 CNN-LSTM模型原理
        4.1.2 基于CNN-LSTM的風(fēng)電功率預(yù)測
    4.2 基于注意力機制的風(fēng)電功率預(yù)測
        4.2.1 注意力機制原理
        4.2.2 基于注意力機制的CNN-LSTM預(yù)測模型結(jié)構(gòu)
        4.2.3 基于注意力機制的CNN-LSTM風(fēng)電功率預(yù)測
    4.3 風(fēng)電功率預(yù)測結(jié)果評價與分析
        4.3.1 不同模型下風(fēng)電功率預(yù)測結(jié)果對比
        4.3.2 不同模型下風(fēng)電功率預(yù)測誤差對比
    4.4 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號：3820537