本文關(guān)鍵詞：基于動態(tài)建模的短期風電功率預測，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著風電行業(yè)在我國不斷發(fā)展,風力發(fā)電占電力系統(tǒng)的比例也越來越大,但是由于風能不穩(wěn)定的特點使得風電功率呈現(xiàn)波動性和間歇性,這樣大規(guī)模并網(wǎng)時會對電力系統(tǒng)安全造成很大影響。因此提高功率預測的動態(tài)性和準確性對電力系統(tǒng)的調(diào)度和安全性有重要的意義。本文通過研究現(xiàn)有預測方法的優(yōu)缺點,提出一種改進的風電功率預測模型,具體研究內(nèi)容如下:一、結(jié)合風能的特點說明影響風電功率的相關(guān)因素,根據(jù)風電場數(shù)據(jù)對風速和風向進行規(guī)律統(tǒng)計,為預測模型輸入向量的確定提供指導。二、對Elman動態(tài)神經(jīng)網(wǎng)絡(luò)進行研究,為了提高預測精度和預測模型的動態(tài)性,對Elman網(wǎng)絡(luò)的結(jié)構(gòu)和激勵函數(shù)進行改進,并利用局部均值分解法(Local mean decomposition,LMD)對輸入數(shù)據(jù)進行分解,建立LMD-Elman的短期動態(tài)功率預測模型并運用工程實例對預測模型進行驗證。三、針對人工蜂群算法易陷入局部最優(yōu)的缺點,提出一種自適應柯西蜂群算法,運用測試函數(shù)對自適應柯西蜂群算法進行測試和收斂性分析,并將該蜂群算法應用于風電功率預測中,工程實例仿真結(jié)果表明,自適應柯西蜂群算法提高了風電功率的預測精度。四、在以上研究的基礎(chǔ)上,運用自適應柯西蜂群算法優(yōu)化回歸神經(jīng)網(wǎng)絡(luò)(Nonlinear Auto Regressive Neural Network with Exogenous Inputs,NARX網(wǎng)絡(luò))和BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)值參數(shù),從而建立一種組合動態(tài)預測模型,并將Labview與MATLAB進行混合編程來實現(xiàn)系統(tǒng)的控制與預測,該方法不僅減少了程序代碼的設(shè)計,而且使得編程變得圖形化可視化,降低了開發(fā)難度。
【關(guān)鍵詞】：風電功率 Elman動態(tài)神經(jīng)網(wǎng)絡(luò) 人工蜂群算法 組合預測
【學位授予單位】：上海電機學院
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TM614
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 緒論12-22
• 1.1 課題研究背景及意義12-14
• 1.2 風電功率預測研究概況14-17
• 1.2.1 國內(nèi)外研究現(xiàn)狀14-15
• 1.2.2 風電功率預測方法分類15-17
• 1.3 風電功率預測技術(shù)17-21
• 1.3.1 風電功率預測流程17-18
• 1.3.2 功率預測評價指標18-19
• 1.3.3 預測模型優(yōu)化方法簡介19-21
• 1.4 論文的主要內(nèi)容與章節(jié)安排21-22
• 第二章 風功率數(shù)據(jù)預處理與規(guī)律統(tǒng)計22-31
• 2.1 引言22
• 2.2 數(shù)據(jù)預處理技術(shù)22-24
• 2.3 數(shù)據(jù)的影響因素24-26
• 2.4 風電場數(shù)據(jù)規(guī)律統(tǒng)計26-30
• 2.4.1 風速變化規(guī)律26-28
• 2.4.2 風向統(tǒng)計規(guī)律28-30
• 2.5 本章小結(jié)30-31
• 第三章 基于LMD-Elman的動態(tài)預測模型31-43
• 3.1 引言31
• 3.2 局部均值分解法31-32
• 3.3 Elman神經(jīng)網(wǎng)絡(luò)及其算法原理32-35
• 3.3.1 Elman神經(jīng)網(wǎng)絡(luò)33-34
• 3.3.2 Elman算法原理34-35
• 3.4 改進的Elman神經(jīng)網(wǎng)絡(luò)35-38
• 3.4.1 網(wǎng)絡(luò)結(jié)構(gòu)的改進35-37
• 3.4.2 激勵函數(shù)的改進37-38
• 3.5 基于LMD-Elman預測模型的工程實例分析38-42
• 3.5.1 預測模型建立38-39
• 3.5.2 工程實例驗證39-42
• 3.6 本章小結(jié)42-43
• 第四章 自適應柯西蜂群算法及其在風電功率預測中的應用43-58
• 4.1 引言43
• 4.2 人工蜂群算法43-44
• 4.3 自適應柯西蜂群算法44-53
• 4.3.1 搜索步長的自適應調(diào)整44-45
• 4.3.2 偵查蜂根據(jù)柯西分布搜索新解45-46
• 4.3.3 自適應柯西蜂群算法驗證與分析46-49
• 4.3.4 算法收斂性分析49-53
• 4.4 自適應柯西蜂群算法在風電功率預測中的應用53-57
• 4.4.1 基于ACMABC-SVM風電功率預測模型53-54
• 4.4.2 支持向量機回歸模型54-55
• 4.4.3 工程實例分析55-57
• 4.5 本章小結(jié)57-58
• 第五章 基于自適應柯西蜂群算法的組合動態(tài)預測模型58-70
• 5.1 引言58
• 5.2 基于ACMABC算法組合預測模型58-64
• 5.2.1 組合預測模型58-59
• 5.2.2 NARX神經(jīng)網(wǎng)絡(luò)59-60
• 5.2.3 基于ACMABC算法組合預測模型的工程實例驗證60-64
• 5.3 Labview中實現(xiàn)ACMABC組合預測64-66
• 5.3.1 Labview概述64
• 5.3.2 MATLAB64-65
• 5.3.3 調(diào)用MATLAB腳本節(jié)點65
• 5.3.4 實驗結(jié)果65-66
• 5.4 工程應用66-68
• 5.5 本章小結(jié)68-70
• 第六章 總結(jié)與展望70-72
• 6.1 全文總結(jié)70
• 6.2 進一步研究展望70-72
• 參考文獻72-77
• 附錄1自適應柯西蜂群算法matlab源程序77-83
• 致謝83-84
• 攻讀碩士學位期間取得的研究成果84

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 傅鸝，，裴小兵;一種指數(shù)型動態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[J];重慶大學學報(自然科學版);1996年06期

2 黃金泉,孫健國;非線性系統(tǒng)的動態(tài)神經(jīng)網(wǎng)絡(luò)自適應辨識[J];南京航空航天大學學報;1999年03期

3 諸勇,錢積新;基于魯棒穩(wěn)定高階動態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識[J];浙江大學學報(工學版);2001年01期

4 樊春霞;利用動態(tài)神經(jīng)網(wǎng)絡(luò)產(chǎn)生混沌系統(tǒng)[J];鹽城工學院學報(自然科學版);2005年03期

5 劉耀年;楊德友;龐松嶺;劉岱;;基于經(jīng)驗模態(tài)分解與動態(tài)神經(jīng)網(wǎng)絡(luò)的短期負荷預測[J];電工電能新技術(shù);2008年03期

6 徐立新，董春雷，王常虹;動態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析[J];航天控制;1996年03期

7 邱小平,閔林,李海明,徐揚;基于動態(tài)神經(jīng)網(wǎng)絡(luò)的經(jīng)典邏輯公式計算方法[J];武漢理工大學學報(交通科學與工程版);2003年06期

8 易建鋼;陳奎生;;集成動態(tài)神經(jīng)網(wǎng)絡(luò)及其在冶金風機智能診斷系統(tǒng)中的應用[J];噪聲與振動控制;2007年05期

9 張國萍,曹柳林;用動態(tài)神經(jīng)網(wǎng)絡(luò)解決粘度預測的方法[J];北京化工大學學報(自然科學版);1999年03期

10 陳濤;王立勇;徐小力;;基于模糊動態(tài)神經(jīng)網(wǎng)絡(luò)的點火系統(tǒng)故障診斷[J];北京信息科技大學學報(自然科學版);2013年04期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 黃西士;吳滄浦;;一種用于跟蹤控制的動態(tài)神經(jīng)網(wǎng)絡(luò)[A];1993中國控制與決策學術(shù)年會論文集[C];1993年

2 諸勇;錢積新;;基于魯棒穩(wěn)定高階動態(tài)神經(jīng)網(wǎng)絡(luò)的非線性系統(tǒng)的辨識[A];1998年中國控制會議論文集[C];1998年

3 項n\伍;;自適應動態(tài)神經(jīng)網(wǎng)絡(luò)控制感應電機系統(tǒng)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 郝悍勇;張宇;孫增圻;;一種基于UIO和動態(tài)神經(jīng)網(wǎng)絡(luò)的復合故障診斷方法[A];2005年中國智能自動化會議論文集[C];2005年

5 劉耀年;趙明宇;王震宇;;基于動態(tài)神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)短期負荷在線預測研究[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(shù)年會論文集（中冊）[C];2008年

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 麥歡歡;非線性的耦合系統(tǒng)一致性問題研究[D];重慶大學;2012年

2 范劍超;微粒群優(yōu)化算法與動態(tài)神經(jīng)網(wǎng)絡(luò)建模預測研究[D];大連理工大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 陳雯吉;基于主成分分析和NARX動態(tài)神經(jīng)網(wǎng)絡(luò)的股市情緒指數(shù)構(gòu)建與預測[D];蘭州大學;2016年

2 張鑫;基于動態(tài)建模的短期風電功率預測[D];上海電機學院;2016年

3 譚曉惠;動態(tài)神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性研究及應用[D];西南交通大學;2002年

4 呂琪;基于動態(tài)神經(jīng)網(wǎng)絡(luò)的交通事件檢測算法[D];浙江大學;2003年

5 王穎;基于動態(tài)神經(jīng)網(wǎng)絡(luò)的系統(tǒng)建模理論及優(yōu)化技術(shù)研究[D];東北石油大學;2011年

6 趙晨;動態(tài)神經(jīng)網(wǎng)絡(luò)在量化投資預測中的應用[D];復旦大學;2014年

7 張明;基于改進動態(tài)神經(jīng)網(wǎng)絡(luò)的股票預測模型的研究[D];內(nèi)蒙古大學;2014年

8 鄭偉范;動態(tài)神經(jīng)網(wǎng)絡(luò)的定性分析[D];西南交通大學;2004年

9 尹嵩;基于動態(tài)神經(jīng)網(wǎng)絡(luò)的支持向量機的FPGA實現(xiàn)[D];西安理工大學;2009年

10 田玉松;動態(tài)神經(jīng)網(wǎng)絡(luò)與分數(shù)階Fourier變換的研究及其應用[D];大連理工大學;2006年

  本文關(guān)鍵詞：基于動態(tài)建模的短期風電功率預測，由筆耕文化傳播整理發(fā)布。

本文編號：358958