風電功率具有很強的波動性、隨機性和間歇性,風電功率的準確問題是當前新能源發(fā)電領域的一個研究熱點與難點。目前常用的風電功率預測方法存在一定不足,其體現(xiàn)在預測過程中,多數(shù)預測模型將風電場的所有歷史數(shù)據(jù)作為模型輸入,未能對特征信息（風電功率、風速、氣溫、氣壓等）進行重要性的排序與篩選,從而降低了預測精度與效果。此外以 BP-ANN（Back Propagation-Artificial Neural Networks,反向傳播人工神經(jīng)網(wǎng)絡）為代表的相對優(yōu)秀的啟發(fā)式預測方法也存在著隱含層不足,無法深度捕捉模型輸入與輸出關系的問題。針對這些問題,本文引入DNN（Deep Neural Networks,深度神經(jīng)網(wǎng)絡）與RF（Random Forest,隨機森林）模型,并在以下三個方面開展研究。為了分析風電功率預測過程中的影響因素,從風速、風向、溫度、空氣密度等方面分析了風電功率與天氣因素的關聯(lián)性,從而建立起預測模型的輸入天氣變量集合,最后為了衡量不同預測方法的預測誤差,選擇了四個目前常用的風電功率預測評估指標:（1）平均絕對誤差MAE（2）平均絕對百分比誤差MAPE（3）均方誤差MSE（4）均方... 

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 風電功率預測研究現(xiàn)狀
        1.2.2 DNN的應用研究現(xiàn)狀
    1.3 論文主要研究內容
    1.4 技術路線
2 風電場輸出功率的預測模型與影響因素研究
    2.1 風電功率預測模型
    2.2 風電功率影響因素分析
        2.2.1 風速的影響分析
        2.2.2 風向的影響分析
        2.2.3 溫度的影響分析
        2.2.4 空氣密度的影響分析
        2.2.5 其他因素的影響分析
    2.3 風電功率預測評估指標
        2.3.1 平均絕對誤差
        2.3.2 平均絕對百分比誤差
        2.3.3 均方誤差
        2.3.4 均方根誤差
    2.4 本章小節(jié)
3 基于DNN的風電功率預測研究
    3.1 深度神經(jīng)網(wǎng)絡
        3.1.1 深度神經(jīng)網(wǎng)絡模型
        3.1.2 深度神經(jīng)網(wǎng)絡的優(yōu)化算法
    3.2 基于DNN的風電功率預測方法
        3.2.1 預測模型與操作步驟
        3.2.2 DNN預測方法的具體流程
    3.3 方法應用與討論
        3.3.1 應用對象
        3.3.2 應用過程及預測結果
        3.3.3 比較與討論
    3.4 本章小結
4 基于RF-DNN特征信息選擇的風電功率預測研究
    4.1 隨機森林與特征信息選擇
        4.1.1 決策樹理論
        4.1.2 隨機森林
        4.1.3 基于隨機森林的特征信息選擇步驟
    4.2 基于RF-DNN的風電功率預測方法
    4.3 方法應用與討論
        4.3.1 應用對象
        4.3.2 應用過程及預測結果
        4.3.3 比較與討論
    4.4 本章小結
5 結論與展望
    5.1 結論
    5.2 展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]歐洲風電投資建設運營淺析[J]. 詹雷明.  中國設備工程. 2019(11)
[2]基于ABC-DNN的小電流接地故障選線方法[J]. 但揚清,趙偉,朱艷偉,何英靜,沈舒儀.  智慧電力. 2019(04)
[3]基于Hilbert邊際譜和SAE-DNN的局部放電模式識別方法[J]. 高佳程,朱永利,鄭艷艷,張科,劉帥.  電力系統(tǒng)自動化. 2019(01)
[4]Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Yu JIANG,Xingying CHEN,Kun YU,Yingchen LIAO.  Journal of Modern Power Systems and Clean Energy. 2017(01)
[5]風電功率預測方法綜述[J]. 錢政,裴巖,曹利宵,王婧怡,荊博.  高電壓技術. 2016(04)
[6]基于DNN算法的移動視頻推薦策略[J]. 陳亮,汪景福,王娜,李霞.  計算機學報. 2016(08)
[7]德國與西班牙風電消納對中國的啟示[J]. 王飛.  能源與節(jié)能. 2016(01)
[8]大規(guī)模新能源接入后系統(tǒng)調峰能力與常規(guī)電源開機方式關系研究[J]. 張順,葛智平,郭濤,張世才,錢康.  電力系統(tǒng)保護與控制. 2016(01)
[9]基于深度神經(jīng)網(wǎng)絡的有色金屬領域實體識別[J]. 毛存禮,余正濤,沈韜,高盛祥,郭劍毅,線巖團.  計算機研究與發(fā)展. 2015(11)
[10]世界風能強國發(fā)展風電的經(jīng)驗與對策[J]. 張慶陽,郭家康.  中外能源. 2015(06)

博士論文
[1]基于深度神經(jīng)網(wǎng)絡的語音識別模型研究[D]. 張仕良.中國科學技術大學 2017
[2]中國新能源發(fā)展研究[D]. 張海龍.吉林大學 2014
[3]考慮調峰因素的風電規(guī)劃研究[D]. 張宏宇.中國電力科學研究院 2013

碩士論文
[1]基于譜分析的大規(guī)模風電場功率超短期概率區(qū)間預測研究[D]. 劉蕾.東北電力大學 2019
[2]風電場短期風速及功率預測技術研究[D]. 趙巖.天津理工大學 2018
[3]東營風電場風電功率短期預測研究[D]. 鞏家豪.華北電力大學 2018



本文編號：3689434