本文選題：風力發(fā)電　切入點：風電場　出處：《電工技術學報》2017年21期 　論文類型：期刊論文

【摘要】：準確預測風電場風速和風電功率對做好風電場運行維護、合理安排開停機計劃以及確保電力系統(tǒng)的安全穩(wěn)定運行具有重要意義。提出了基于小波包分解和改進Elman神經(jīng)網(wǎng)絡的新型風電場風速和風電功率預測方法并給出了具體應用步驟。首先利用小波包分解理論對經(jīng)過初步處理的歷史風速數(shù)據(jù)進行分解處理,根據(jù)相關性剔除隨機數(shù)據(jù),保留最優(yōu)分解樹;隨后提出帶擾動的PSO訓練算法用以提高Elman神經(jīng)網(wǎng)絡的訓練速度,并解決PSO算法易陷入局部最優(yōu)解的問題;最后利用不同結構的Elman神經(jīng)網(wǎng)絡尋找最優(yōu)分解樹不同頻段下的風速規(guī)律進而獲得風速和風電功率預測結果。南方某風電場算例表明該方法具有更高的預測精度,能夠正確反映風速和風電功率規(guī)律。
[Abstract]:Accurately forecast wind speed and wind power of wind farm to do a good job in the operation and maintenance of wind farm, It is of great significance to arrange the on-off plan reasonably and to ensure the safe and stable operation of power system. A new wind speed and wind power prediction method based on wavelet packet decomposition and improved Elman neural network is presented. First of all, using wavelet packet decomposition theory to decompose the historical wind speed data after preliminary processing, According to the correlation, the random data is eliminated, the optimal decomposition tree is preserved, and then the PSO training algorithm with disturbance is proposed to improve the training speed of Elman neural network, and to solve the problem that PSO algorithm is prone to fall into local optimal solution. Finally, the Elman neural network with different structures is used to find out the wind speed law under different frequency bands of the optimal decomposition tree, and the results of wind speed and wind power prediction are obtained. An example of a wind farm in southern China shows that the proposed method has higher prediction accuracy. Can correctly reflect wind speed and wind power law.
【作者單位】： 哈爾濱工業(yè)大學電氣工程及自動化學院;國家電網(wǎng)公司交流建設分公司;
【基金】：國家科技支撐計劃課題資助項目(2015BAA01B00)
【分類號】：TM614

【相似文獻】

相關期刊論文 前10條

1 張倩;;基于Elman網(wǎng)絡非線性散射參數(shù)測量與建模[J];現(xiàn)代電子技術;2011年03期

2 余向前;路民輝;任琳杰;梁穎;;基于改進型Elman神經(jīng)網(wǎng)絡的短期電力負荷預測[J];電力信息與通信技術;2014年02期

3 王曉霞;馬良玉;王兵樹;王濤;;進化Elman神經(jīng)網(wǎng)絡在實時數(shù)據(jù)預測中的應用[J];電力自動化設備;2011年12期

4 陳洋;瞿睿;;基于改進型Elman神經(jīng)網(wǎng)絡預測模糊神經(jīng)網(wǎng)絡控制的變風量空調(diào)設計[J];現(xiàn)代建筑電氣;2013年01期

5 劉爽;;基于Elman型神經(jīng)網(wǎng)絡的電力系統(tǒng)短期負荷預測研究[J];民營科技;2012年12期

6 劉歡;劉吉臻;張文廣;張超;;基于小波Elman神經(jīng)網(wǎng)絡的短期風速預測[J];華東電力;2013年04期

7 陳前;毛承雄;陸繼明;余翔;;基于改進Elman網(wǎng)絡的最優(yōu)勵磁控制器[J];大電機技術;2007年03期

8 李運紅;張ng濤;裴未遲;;基于小波包-Elman神經(jīng)網(wǎng)絡的電機軸承故障診斷[J];河北理工大學學報(自然科學版);2008年04期

9 趙建軍;張月陽;梁威;;Elman神經(jīng)網(wǎng)絡在高壓電力計量系統(tǒng)故障診斷中的應用[J];電測與儀表;2014年13期

10 肖蕾;李郁俠;;基于自適應Elman神經(jīng)網(wǎng)絡的短期風電功率預測[J];西安理工大學學報;2014年01期

相關會議論文 前10條

1 ;Battery State-Of-Charge Estimation in Electric Vehicle Using Elman Neural Network Method[A];第二十九屆中國控制會議論文集[C];2010年

2 張志猛;李永剛;張建忠;;基于小波包分解的發(fā)電機轉子繞組匝間短路故障檢測[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術年會論文集（中冊）[C];2008年

3 張培銘;顏毅鵬;吳功祥;鮑光海;吳傳武;;基于神經(jīng)網(wǎng)絡的電動機繞組溫升預測的探討[A];中國電工技術學會低壓電器專業(yè)委員會第十一屆學術年會論文集[C];2002年

4 陳佳;;神經(jīng)網(wǎng)絡在上海天然氣日負荷預測中的應用[A];第二屆中國城市燃氣論壇——燃氣青年工程師論壇資料匯編[C];2009年

5 易健雄;朱大奇;陳昕靜;;量子神經(jīng)網(wǎng)絡在電機轉子故障辨識中的應用研究[A];'2006系統(tǒng)仿真技術及其應用學術交流會論文集[C];2006年

6 鄒宇;王萍;邢文超;;基于Hopfield神經(jīng)網(wǎng)絡的諧波檢測方法[A];中國儀器儀表學會第九屆青年學術會議論文集[C];2007年

7 金蘇柯;朱小良;;基于神經(jīng)網(wǎng)絡的火電機組傳感器數(shù)據(jù)融合[A];2012電站自動化信息化學術和技術交流會議論文集[C];2012年

8 朱鋒;孫輝;周瑋;;基于相似日聚類的神經(jīng)網(wǎng)絡風速預測[A];中國高等學校電力系統(tǒng)及其自動化專業(yè)第二十四屆學術年會論文集（下冊）[C];2008年

9 康忠健;徐麗;勾松波;金華蓉;李瑞生;;考慮分布電容的神經(jīng)網(wǎng)絡單相接地故障測距算法[A];第二十七屆中國控制會議論文集[C];2008年

10 趙春元;王存旭;張玉艷;于紅霞;;基于神經(jīng)網(wǎng)絡的模糊數(shù)學在鍋爐控制中應用[A];第十屆全國電工數(shù)學學術年會論文集[C];2005年

相關博士學位論文 前4條

1 李艷晴;風速時間序列預測算法研究[D];北京科技大學;2016年

2 邵海見;基于數(shù)據(jù)的風電場短期風速預測[D];東南大學;2016年

3 袁繼敏;基于混沌和神經(jīng)網(wǎng)絡的時域參數(shù)測試研究及其在示波器中的應用[D];電子科技大學;2009年

4 郭鵬;Hopfield神經(jīng)網(wǎng)絡及其在電廠中的應用研究[D];華北電力大學（河北）;2004年

相關碩士學位論文 前10條

1 曹芙;基于Elman神經(jīng)網(wǎng)絡及優(yōu)化算法的混合模型的研究及應用[D];蘭州大學;2015年

2 王柳;基于復合特性Elman神經(jīng)網(wǎng)絡的風速預測[D];天津工業(yè)大學;2016年

3 周展;基于Elman神經(jīng)網(wǎng)絡控制的風電最大功率點追蹤的研究[D];湖南大學;2016年

4 張巧;基于改進免疫算法和Elman神經(jīng)網(wǎng)絡的超聲馬達速度辨識與控制[D];吉林大學;2006年

5 郭姣姣;基于改進Elman神經(jīng)網(wǎng)絡的短期電力負荷預測[D];遼寧工業(yè)大學;2015年

6 任麗娜;基于Elman神經(jīng)網(wǎng)絡的中期電力負荷預測模型研究[D];蘭州理工大學;2007年

7 魏翔;基于小波包分解和布谷鳥算法的最小二乘支持向量機風速預測模型的研究與應用[D];蘭州大學;2015年

8 賈文靜;基于改進型神經(jīng)網(wǎng)絡的風力發(fā)電系統(tǒng)預測及控制研究[D];燕山大學;2015年

9 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學;2015年

10 劉波;短期風電功率預測方法研究[D];南京信息工程大學;2015年

，

本文編號：1652454