本文關鍵詞：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

  更多相關文章： 混合風速預測模型 數(shù)據(jù)預處理 參數(shù)優(yōu)化 人工智能算法

【摘要】：風能是一種最具規(guī)模發(fā)展?jié)摿Φ那鍧嵖稍偕茉?因為它不僅沒有燃料問題,也不會產生輻射和空氣污染,而且隨著風能設施日趨進步,其生產成本也大量降低,在某些地點,風力發(fā)電成本已低于其它發(fā)電方式的成本。而風速預測是風能資源評估和電網(wǎng)規(guī)劃的關鍵。然而,由于風能的間歇性和不穩(wěn)定性等因素,準確預測風速成為一項艱巨的任務。傳統(tǒng)方法總是直接預測原始數(shù)據(jù),而忽略原始數(shù)據(jù)的預處理,因此,預測方法的穩(wěn)定性有時是沒有保證的。本文提出了一個新的基于數(shù)據(jù)預處理和人工智能算法的混合預測方法,提出的混合方法包含三個部分：首先對原始的風速數(shù)據(jù)進行數(shù)據(jù)預處理,然后建立初始的LSSVM模型并利用布谷鳥搜索算法對模型進行參數(shù)尋優(yōu),最后用優(yōu)化好的LSSVM模型對風速數(shù)據(jù)進行預測,通過以上步驟以保證風速預測準確性和穩(wěn)定性。此外,本文提出的模型以中國山東省蓬萊虎山發(fā)電場每10分鐘平均風速數(shù)據(jù)為例進行了實證研究,并和BP神經(jīng)網(wǎng)絡、小波神經(jīng)網(wǎng)絡以及粒子群優(yōu)化的LSSVM模型的風速預測結果進行了對比,最后還進行了假設檢驗。風速預測和假設檢驗的結果表明,該混合方法不僅簡單而且可以有效地提高風速預測的準確性。
【關鍵詞】：混合風速預測模型 數(shù)據(jù)預處理 參數(shù)優(yōu)化 人工智能算法
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TM614;TP18
【目錄】：

• 摘要3-4
• Abstract4-7
• 第一章 引言7-10
• 第二章 基于神經(jīng)網(wǎng)絡的風速預測模型10-17
• 2.1 神經(jīng)網(wǎng)絡簡介10
• 2.2 BP神經(jīng)網(wǎng)絡10-14
• 2.3 小波神經(jīng)網(wǎng)絡14-15
• 2.4 數(shù)值實驗15-17
• 2.4.1 數(shù)據(jù)來源及描述15
• 2.4.2 預測結果15-17
• 第三章 基于PSO算法的最小二乘支持向量機的風速預測17-27
• 3.1 VC維理論17
• 3.2 結構風險最小化原則17-18
• 3.3 支持向量機18
• 3.4 支持向量回歸機18-20
• 3.5 最小二乘支持向量機20-22
• 3.6 PSO算法22-25
• 3.6.1 PSO算法的基本理論22-23
• 3.6.2 PSO算法的流程23-24
• 3.6.3 PSO算法的參數(shù)選擇24-25
• 3.7 PSO-LSSVM算法流程25
• 3.8 數(shù)值實驗25-27
• 第四章 基于數(shù)據(jù)預處理和布谷鳥算法的最小二乘支持向量機混合模型的風速預測27-45
• 4.1 數(shù)據(jù)預處理27-31
• 4.1.1 小波變換27-29
• 4.1.2 小波包變換29-31
• 4.2 布谷鳥算法31-34
• 4.2.1 萊維飛行32
• 4.2.2 布谷鳥搜索算法32-34
• 4.3 假設檢驗34
• 4.4 混合風速預測模型的流程34-36
• 4.5 數(shù)值實驗36-45
• 4.5.1 數(shù)據(jù)預處理的結果36-37
• 4.5.2 預測結果37-39
• 4.5.3 假設檢驗結果39-40
• 4.5.4 預測結果的比較40-45
• 第五章 結論與展望45-47
• 5.1 結論45
• 5.2 展望45-47
• 參考文獻47-52
• 附錄52-58
• 在學期間的研究成果58-59
• 致謝59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡子谷,宓為建,石來德;故障振動信號的小波包分解與診斷[J];振動與沖擊;1998年02期

2 王麗君;楊振中;田光旭;葛臨東;;小波包分解在氫發(fā)動機異常燃燒診斷中的應用[J];車用發(fā)動機;2007年06期

3 邱家興;李彬;項田超;;基于小波包分解的水面目標噸位大小分類方法[J];中國科技信息;2012年16期

4 錢蘇翔;楊世錫;焦衛(wèi)東;胡紅生;;基于獨立分量分析與小波包分解的混疊聲源信號波形恢復[J];中國機械工程;2010年24期

5 宋友,柳重堪,李其漢;基于小波包分解的早期碰摩故障診斷研究[J];北京航空航天大學學報;2003年01期

6 馮哲圣,顧德恩,楊邦朝;基于小波包分解的電化學噪音能量譜分析[J];電子測量與儀器學報;2003年04期

7 劉曉波,黃其柏,孫康;小波包分解及其在旋轉機械故障診斷中的應用[J];風機技術;2004年06期

8 熊祖坤;李海云;;結合異質擴散和小波包分解的醫(yī)學圖像分割算法[J];計算機輔助設計與圖形學學報;2008年12期

9 李自國;郝偉;李凌均;;基于小波包分解和支持向量數(shù)據(jù)描述的故障診斷方法[J];機械強度;2007年03期

10 張景川;曾周末;張兆偉;程向麗;張溪默;;基于小波包分解的多尺度互相關管道定位方法[J];納米技術與精密工程;2011年02期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 范海寧;郭英;吳劍鋒;陳志武;;基于小波包分解的聲信號特征提取方法[A];信號與信息處理技術第三屆信號與信息處理全國聯(lián)合學術會議論文集[C];2004年

2 陳光軍;胡昌華;任章;周志杰;;小波包分解在慣性器件故障診斷中應用研究[A];2004全國測控、計量與儀器儀表學術年會論文集（下冊）[C];2004年

3 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

4 羅忠;孫偉;張帥;韓清凱;;基于小波包分解的不對中轉子系統(tǒng)的振動特征分析[A];第9屆全國轉子動力學學術討論會ROTDYN'2010論文集[C];2010年

5 趙池航;周百令;李坤宇;趙立業(yè);;小波包分解在高精度海洋重力儀數(shù)據(jù)處理中的應用研究[A];中國慣性技術學會第五屆學術年會論文集[C];2003年

6 王志剛;呂勇;李友榮;李方;;基于自適應諧波小波包分解的齒輪故障診斷方法[A];第六屆全國信息獲取與處理學術會議論文集（2）[C];2008年

7 付博志;張鴻賓;;基于MPEG-I和小波包分解的語音特征提取[A];2008'中國信息技術與應用學術論壇論文集（二）[C];2008年

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 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

2 胡維;不同水溫浸泡后花崗巖聲發(fā)射特征及其信號識別[D];江西理工大學;2015年

3 付博志;基于MPEG-1和小波包分解的說話人識別[D];北京工業(yè)大學;2008年

，

本文編號：1060874