本文關(guān)鍵詞：風(fēng)電功率預(yù)測(cè)模型的優(yōu)選準(zhǔn)則與融合策略研究

  更多相關(guān)文章： 風(fēng)電功率預(yù)測(cè) 參數(shù)優(yōu)化 結(jié)構(gòu)優(yōu)化 多指標(biāo)評(píng)價(jià) 模型優(yōu)選 模型融合

【摘要】：隨著環(huán)境污染和能源危機(jī)的加劇,世界各國(guó)開始尋求清潔、可再生的綠色能源來(lái)代替?zhèn)鹘y(tǒng)的不可再生能源。風(fēng)能由于分布廣、無(wú)污染、開發(fā)潛力大得到了各國(guó)的重視。風(fēng)能的主要利用方式是風(fēng)力發(fā)電,隨著風(fēng)電的快速發(fā)展,風(fēng)電在電網(wǎng)中所占的比例也越來(lái)越大。然而風(fēng)能的間歇性和隨機(jī)性會(huì)對(duì)電網(wǎng)安全運(yùn)行造成影響,從而制約風(fēng)電的進(jìn)一步發(fā)展,因此對(duì)風(fēng)電輸出功率進(jìn)行準(zhǔn)確預(yù)測(cè),對(duì)風(fēng)電的發(fā)展和電網(wǎng)穩(wěn)定運(yùn)行意義重大。為了實(shí)現(xiàn)對(duì)風(fēng)電功率預(yù)測(cè)精度的進(jìn)一步提高,本文針對(duì)功率預(yù)測(cè)建模中的關(guān)鍵問(wèn)題,研究了預(yù)測(cè)模型的改進(jìn);在課題組建立的多種預(yù)測(cè)模型基礎(chǔ)上,著重研究了單一預(yù)測(cè)模型的評(píng)價(jià)和優(yōu)選準(zhǔn)則,并對(duì)預(yù)測(cè)模型的融合策略進(jìn)行了研究。本文主要研究?jī)?nèi)容如下:(1)總結(jié)了風(fēng)電功率預(yù)測(cè)的背景和研究現(xiàn)狀,介紹了預(yù)測(cè)模型的分類、典型的單一預(yù)測(cè)模型和組合預(yù)測(cè)模型;總結(jié)了功率預(yù)測(cè)中的問(wèn)題和模型評(píng)價(jià)的意義與現(xiàn)狀。(2)以小波神經(jīng)網(wǎng)絡(luò)為例,研究了風(fēng)電功率預(yù)測(cè)建模中的關(guān)鍵問(wèn)題。針對(duì)小波網(wǎng)絡(luò)中各參數(shù)和結(jié)構(gòu)難以確定的問(wèn)題,采用粒子群算法(PSO)優(yōu)化小波網(wǎng)絡(luò)的參數(shù);采用灰關(guān)聯(lián)刪減法確定小波網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù);詳細(xì)分析了影響風(fēng)電功率預(yù)測(cè)精度的因素及其數(shù)據(jù)特性,采用灰關(guān)聯(lián)度確定小波網(wǎng)絡(luò)的輸入變量。仿真結(jié)果表明,本文提出的基于PSO參數(shù)優(yōu)化和灰關(guān)聯(lián)刪減法結(jié)構(gòu)優(yōu)化的小波網(wǎng)絡(luò)的預(yù)測(cè)精度得到了明顯的提高。(3)提出了基于多指標(biāo)的風(fēng)電功率預(yù)測(cè)模型綜合評(píng)價(jià)方法,從指標(biāo)體系的建立和指標(biāo)權(quán)重的確定方法兩個(gè)方面進(jìn)行了深入研究。建立了預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)體系,采用熵值法確定評(píng)價(jià)指標(biāo)的客觀權(quán)重,采用層次分析法確定主觀權(quán)重,從而得到指標(biāo)的綜合權(quán)重以及模型的綜合評(píng)價(jià)值,最終實(shí)現(xiàn)了對(duì)模型預(yù)測(cè)效果的綜合評(píng)價(jià)和排序。(4)為了進(jìn)一步提高功率預(yù)測(cè)模型的預(yù)測(cè)精度,提出了基于多指標(biāo)優(yōu)選的預(yù)測(cè)模型融合方法。首先在模型多指標(biāo)評(píng)價(jià)的基礎(chǔ)上對(duì)單一模型進(jìn)行篩選和冗余判斷,優(yōu)選出參與融合的單一模型,然后采用5種組合方法分別進(jìn)行融合建模。通過(guò)大量的數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明,模型優(yōu)選有助于提高融合模型的預(yù)測(cè)精度。5種組合方法中熵值法、Shapley值法、IOWA法能有效提高模型的預(yù)測(cè)精度,其中基于IOWA的融合模型預(yù)測(cè)效果較好。
【學(xué)位授予單位】：太原理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP18;TM614

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 楊子成;;考慮地形影響及尾流效應(yīng)的風(fēng)電場(chǎng)可靠性分析[J];電氣技術(shù);2017年01期

2 彭小圣;熊磊;文勁宇;程時(shí)杰;鄧迪元;馮雙磊;王勃;;風(fēng)電集群短期及超短期功率預(yù)測(cè)精度改進(jìn)方法綜述[J];中國(guó)電機(jī)工程學(xué)報(bào);2016年23期

3 林國(guó)光;宋海洲;;一種基于主客觀權(quán)重信息集成的多屬性群決策[J];統(tǒng)計(jì)與決策;2016年12期

4 賈逸倫;龔慶武;占勁松;李俊雄;;基于有效度和相對(duì)熵的短期電力負(fù)荷組合預(yù)測(cè)方法[J];電力科學(xué)與技術(shù)學(xué)報(bào);2016年02期

5 李芬;宋啟軍;錢加林;陳正洪;閆全全;楊興武;;基于IOWA算子的短期光伏發(fā)電量組合預(yù)測(cè)[J];電網(wǎng)與清潔能源;2016年05期

6 陳道君;李磊;楊楠;林燕貞;;基于最優(yōu)權(quán)系數(shù)的風(fēng)電功率組合預(yù)測(cè)方法[J];電網(wǎng)與清潔能源;2016年04期

7 李大中;許炳坤;常城;;基于熵值法的大型風(fēng)電機(jī)組運(yùn)行狀態(tài)綜合評(píng)價(jià)[J];熱能動(dòng)力工程;2016年04期

8 錢政;裴巖;曹利宵;王婧怡;荊博;;風(fēng)電功率預(yù)測(cè)方法綜述[J];高電壓技術(shù);2016年04期

9 路濤;趙靚;;2015年中國(guó)風(fēng)電開發(fā)主要數(shù)據(jù)匯總[J];風(fēng)能;2016年04期

10 ;2015年全球風(fēng)電裝機(jī)統(tǒng)計(jì)[J];風(fēng)能;2016年02期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前8條

1 劉曉洋;風(fēng)速預(yù)測(cè)中數(shù)椐和樣本的有效處理及其模型優(yōu)化研究[D];太原理工大學(xué);2016年

2 白楊;基于模型優(yōu)選和組合策略的風(fēng)速融合預(yù)測(cè)方法研究[D];太原理工大學(xué);2016年

3 高淑杰;基于誤差修正和模糊評(píng)價(jià)的風(fēng)速預(yù)測(cè)研究[D];太原理工大學(xué);2016年

4 李曉曦;風(fēng)電功率組合預(yù)測(cè)方法及其應(yīng)用研究[D];華北電力大學(xué)(北京);2016年

5 金玉雪;基于相似度模糊推理和IOWA算子的風(fēng)電功率融合預(yù)測(cè)[D];太原理工大學(xué);2014年

6 李進(jìn);基于模型優(yōu)選的風(fēng)電功率融合預(yù)測(cè)模型[D];太原理工大學(xué);2013年

7 李洪濤;基于徑向基函數(shù)和模糊技術(shù)的風(fēng)能預(yù)測(cè)模型研究[D];華北電力大學(xué);2012年

8 李文婷;基于改進(jìn)型粒子群算法的熱軋帶鋼寬度神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的研究[D];太原理工大學(xué);2011年

，

本文編號(hào)：1263532