大型風電場的風電功率輸出具有波動性,風電功率的波動性在并網(wǎng)時會沖擊電力系統(tǒng),影響電力系統(tǒng)的安全、穩(wěn)定和經(jīng)濟運行,對電力系統(tǒng)安全穩(wěn)定運行帶來挑戰(zhàn),風電功率預測可以跟蹤風電場的風電功率輸出并進行功率預測,使電力系統(tǒng)合理作出調度計劃,是解決該問題的有效方法之一。一般的風電功率預測方法用風電場內特定風機位置的風況來代表整個風電場的風況進行預測,但對大型風電場而言,該預測方法難以保證風電場功率的預測精度;若對風電場內每臺風電機組進行建模預測,則預測的計算時間過長,無法滿足電力系統(tǒng)對風電場功率預測的要求。對大型風電場的風電機組進行分類,將風電場內特性相近的風電機組劃分為一類,用機組分類的結果來進行風電場功率預測,可提高預測精度、降低預測過程的復雜度和預測時間。因此,基于大型風電場機組分類的功率預測研究是大型風電場提高風電預測預測精度、改善計算效率的方法之一。本文研究了基于大型風電場機組分類的功率預測問題,主要工作包括:（1）利用K-means聚類算法建模,對算例33臺風電機組進行分類聚類仿真,得到了機組分類數(shù)目K=3⁷的聚類結果。利用聚類算法的分類評價指標戴維森堡�。―BI）... 

【文章來源】：華北水利水電大學河南省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

神經(jīng)元結構示意圖

【參考文獻】：
期刊論文
[1]基于改進劃分聚類方法的大數(shù)據(jù)處理算法[J]. 曹碩.  電子世界. 2018(18)
[2]基于經(jīng)驗模態(tài)分解與特征相關分析的短期負荷預測方法[J]. 孔祥玉,李闖,鄭鋒,于力,馬溪原.  電力系統(tǒng)自動化. 2019(05)
[3]基于聚類分析與神經(jīng)網(wǎng)絡的電力系統(tǒng)負荷預測[J]. 劉田夢,王麗婕,馬嬡.  北京信息科技大學學報(自然科學版). 2018(04)
[4]高維數(shù)據(jù)聚類中相似性度量方法的研究[J]. 李慧敏,李川,翟祥.  市場研究. 2018(06)
[5]混合類型數(shù)據(jù)的聚類算法綜述[J]. 陳緒,嚴金戈.  信息與電腦(理論版). 2018(07)
[6]基于改進經(jīng)驗模態(tài)分解的三維重建[J]. 李緒琴,陳文靜,蘇顯渝.  四川大學學報(自然科學版). 2018(01)
[7]分布式K-means聚類算法研究與實現(xiàn)[J]. 李斌,李蓉,周蕾.  軟件. 2018(01)
[8]K-means算法最佳聚類數(shù)評價指標研究[J]. 郭靖,侯蘇.  軟件導刊. 2017(11)
[9]基于稀疏約束非負矩陣分解的K-Means聚類算法[J]. 韓素青,賈茹.  數(shù)據(jù)采集與處理. 2017(06)
[10]K-means聚類算法及改進[J]. 徐曉聰.  信息與電腦(理論版). 2017(16)

博士論文
[1]基于局部中心量度的聚類算法研究[D]. 王志強.華南理工大學 2018
[2]風電場內機組優(yōu)化調度研究[D]. 張晉華.華北電力大學 2014
[3]基因表達數(shù)據(jù)的相似性度量和特征提取研究[D]. 王文俊.西安電子科技大學 2011

碩士論文
[1]基于經(jīng)驗模態(tài)分解的時間序列預測研究[D]. 成小林.大連理工大學 2018
[2]基于經(jīng)驗模態(tài)分解和神經(jīng)網(wǎng)絡的非線性信號預測[D]. 王思亮.西安郵電大學 2018
[3]基于相關向量機的風電功率短期預測及其不確定性研究[D]. 吳文靜.華北水利水電大學 2018
[4]風電場功率時間序列分析及預測方法研究[D]. 娜仁圖雅.天津大學 2017
[5]風電功率預測誤差不確定性建模研究[D]. 張曉丹.北京交通大學 2016
[6]風電場風電功率概率預測研究[D]. 胡漢.東南大學 2016
[7]大型風電場分組建模方法及其在功率預測中的應用[D]. 高小力.華北電力大學 2015
[8]聚類有效性指標結構分析及應用[D]. 包秀娟.天津大學 2014
[9]經(jīng)驗模態(tài)分解算法應用研究[D]. 岳相臣.西安電子科技大學 2013
[10]用于電力系統(tǒng)仿真的風電場等值模型研究[D]. 張坤.華北電力大學（北京） 2011



本文編號：3485845