【摘要】：近年來,隨著新能源產(chǎn)業(yè)的快速發(fā)展,風電場的規(guī)模也在日益擴大。由于風電輸出具有不確定性,風電的大規(guī)模接入將導致電網(wǎng)的穩(wěn)定性和安全性受到威脅。若能提高風電功率預測的精度,可有效降低電力調(diào)度的難度,間接地保障了電網(wǎng)的安全和穩(wěn)定。針對風電輸出功率具有波動性、間歇性和隨機性的特點,本文提出基于改進粒子群優(yōu)化最小二乘支持向量機的風電功率預測模型,并從以下方面展開研究:(1)粒子群算法的改進。分析基礎粒子群算法的基本原理和優(yōu)化過程,參考粒子群算法的改進方向,由于種群多樣性減少而陷入局部最優(yōu)的缺點,提出慣性權重的自適應調(diào)節(jié)和變異操作兩種方式相結合的改進策略,以提高粒子群的收斂速度和精確度;選用六種測試函數(shù)對改進前后的粒子群算法進行測試,分析比較算法收斂速度和精度。(2)構建基于粒子群算法優(yōu)化向量機的風電功率預測模型。針對歷史風電數(shù)據(jù)和風速數(shù)據(jù)規(guī)模大、非線性的特點提出以支持向量機為預測模型的風電功率預測方法;針對向量機參數(shù)選擇困難的問題,提出用粒子群算法對向量機參數(shù)進行優(yōu)化選擇;利用優(yōu)化后參數(shù)構建基于粒子群的向量機風電功率預測模型。(3)構建基于粒子群優(yōu)化最小二乘支持向量機的風電功率預測模型。針對向量機在進行風電功率預測時,需解決的二次規(guī)劃和不等式約束,導致運算復雜度過高、訓練時間過長的缺陷,提出了基于最小二乘向量機作為風電預測模型的改進策略;針對最小二乘向量機參數(shù)選擇困難,經(jīng)驗法很難獲得合適參數(shù)的問題,提出了利用粒子群對參數(shù)進行優(yōu)化選擇;構建基于粒子群優(yōu)化最小二乘支持向量機的風電功率預測模型,通過對樣本的訓練過程和結果分析驗證模型改進后的優(yōu)越性。(4)構建基于改進粒子群優(yōu)化最小二乘支持向量機的風電功率預測模型。針對粒子群在優(yōu)化最小二乘支持向量機參數(shù)時,易陷入局部最優(yōu)從而無法獲得最優(yōu)參數(shù)的問題,提出利用改進粒子群優(yōu)化最小二乘支持向量機的模型參數(shù)策略;利用優(yōu)化后的參數(shù)構建基于改進粒子群優(yōu)化最小二乘向量機的風電功率預測模型;通過各模型對歷史風電輸出功率和風速數(shù)據(jù)的訓練預測結果分析,得出基于改進粒子群優(yōu)化最小二乘支持向量機的風電功率預測模型預測速度更快、精度更高、系統(tǒng)性能更強。
【圖文】：

新疆大學碩士學位論文第 1 章 緒論 研究背景及意義1.1.1 研究背景風能作為化石燃料的替代能源，與不可再生能源相比，具有儲量豐富、可再、分布廣泛、清潔、發(fā)電過程中不產(chǎn)生溫室氣體排放、不耗水、占地面積小等點，對環(huán)境的影響較小。根據(jù)世界風能協(xié)會（World Wind Energy Association.WEA）近期發(fā)布的初步統(tǒng)計數(shù)據(jù)顯示[1]，到 2018 年底，全球安裝的所有風力渦機的總容量達到了 6000 億瓦。2017 年全球的新增裝機容量就已經(jīng)達到了 52552瓦，，而 2018 年比 2017 年有所增長達到了 53900 兆瓦，2013-2018 年的全球風新增裝機總量如圖 1-1 所示。

新疆大學碩士學位論文再生能源制定前進方向，更好實現(xiàn)能源 100%再生利用總目標。風力發(fā)電作為再生能源，環(huán)保且價格低廉，眾多國家大力發(fā)展風力發(fā)電不僅可以為本國社會來了巨大的好處而且可以通過巴黎協(xié)定惠及全世界[3]。美國擁有全球第二大風電市場，在可再生能源發(fā)展技術上進展迅猛，美國源信息署發(fā)布消息預計2019年美國將會有11GW的風電機組投入運營，并且20年還會增加 8GW，這也預示著風力發(fā)電在美國全年總發(fā)電的比例會增加到 9%比 2018 年增加 2 個百分點[4]。中國擁有世界最大的風電市場，風能技術運用已十分成熟，風能也得到大模開發(fā)[5]。去年中國新增裝機容量 2059 億瓦，是世界上第一個風電裝機容量超2000 億瓦的國家。自 2005 年起，中國的風電裝機量增速較快，總量屢創(chuàng)新高如圖 1-2 所示。
【學位授予單位】：新疆大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TM315;TP18

【相似文獻】

相關期刊論文 前5條

1 周云龍;王迪;;基于PSO-LS-SVM的主蒸汽流量測量[J];化工自動化及儀表;2015年04期

2 劉佳;邵誠;朱理;;基于遷移學習工況劃分的裂解爐收率PSO-LS-SVM建模[J];化工學報;2016年05期

3 蔣維婷;孫玉坤;朱志瑩;;基于PSO-LS-SVM的磁懸浮開關磁阻電機電感模型[J];微電機;2013年11期

4 紀鳳珠;孫世宇;王長龍;王瑾;左憲章;;基于PSO-LS-SVM的漏磁信號二維輪廓重構[J];無損檢測;2011年06期

5 程迪;黃松嶺;趙偉;王s

本文編號：2623928