本文關(guān)鍵詞：短期風速和風電功率預測模型的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著全球風力發(fā)電的快速發(fā)展,風電在電網(wǎng)中所占的比例越來越大。但由于風的間歇性和隨機性特點,使得大規(guī)模的風電接入對電網(wǎng)的安全、穩(wěn)定以及電能質(zhì)量帶來嚴峻挑戰(zhàn),因而限制了風電的發(fā)展規(guī)模。對風電場的輸出功率進行準確的預測是解決此問題的有效途徑之一,借助預測結(jié)果,有利于電力調(diào)度部門及時調(diào)整調(diào)度計劃,優(yōu)化系統(tǒng)運行,同時還可減少電力系統(tǒng)的備用容量和運行成本。因此,對風電功率進行預測具有十分重要的意義。 在此背景下,本文選擇風速和風電功率的短期預測作為研究內(nèi)容,運用多種方法對短期風速和風電功率預測進行深入的研究。首先,將時間序列和神經(jīng)網(wǎng)絡(luò)理論引入到風速預測模型中,分別建立了差分自回歸滑動平均(ARIMA)預測模型和BP神經(jīng)網(wǎng)絡(luò)預測模型。并在ARIMA模型的基礎(chǔ)上,提出了自回歸條件異方差(GARCH)和聚類ARIMA兩種改進模型；在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,引入遺傳算法(GA)和粒子群算法(PSO)對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進行優(yōu)化,分別建立了GA-BP預測模型和PSO-BP預測模型。然后,通過算例分析對每種模型的預測效果和特點進行總結(jié)。 為了進一步提高風速預測的精度,引入組合的思想,對上述單一模型預測值進行組合得到風速的組合預測值。最后,運用風電功率曲線,將風速的組合預測值轉(zhuǎn)換成風電功率的預測值。 通過以上對風速和風功率預測問題的研究,運用時間序列和神經(jīng)網(wǎng)絡(luò)理論進行了較為深入的模型探討,并進行了數(shù)據(jù)處理以及數(shù)值計算,可以發(fā)現(xiàn)模型的改進以及數(shù)據(jù)的處理,是有助于提高風速和風電功率預測精度的。
【關(guān)鍵詞】：風速和風電功率 時間序列 聚類分析 神經(jīng)網(wǎng)絡(luò) 遺傳算法 粒子群算法 預測模型
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：TM614
【目錄】：

• 致謝5-6
• 中文摘要6-7
• ABSTRACT7-11
• 1 緒論11-23
• 1.1 課題的提出背景和研究意義11-13
• 1.1.1 課題的提出背景11-12
• 1.1.2 課題的研究意義12-13
• 1.2 風電功率預測概念13-16
• 1.2.1 風電功率預測分類13-14
• 1.2.2 風電功率短期預測方法14-15
• 1.2.3 風電功率預測模型的評價15-16
• 1.3 風電功率預測研究動態(tài)16-19
• 1.3.1 國外研究現(xiàn)狀16-17
• 1.3.2 國內(nèi)研究現(xiàn)狀17-19
• 1.4 本文的主要工作及章節(jié)安排19-23
• 2 基于隨機時間序歹lJ法的短期風速預測23-45
• 2.1 風速概述23-24
• 2.2 時間序列基本原理24-27
• 2.2.1 時間序列概述24-25
• 2.2.2 平穩(wěn)時間序列及其模型25-26
• 2.2.3 非平穩(wěn)時間序列及其模型26-27
• 2.3 基于ARIMA的預測模型研究27-33
• 2.3.1 時間序列建模基本步驟27-30
• 2.3.2 算例分析30-33
• 2.4 基于GARCH的預測模型研究33-38
• 2.4.1 ARCH和GARCH模型概述33-34
• 2.4.2 ARCH和GARCH模型基本原理34-36
• 2.4.3 算例分析36-38
• 2.5 基于聚類ARIMA的預測模型研究38-43
• 2.5.1 聚類分析概述38-39
• 2.5.2 聚類思路39-40
• 2.5.3 算例分析40-43
• 2.6 不同模型預測效果比較43-44
• 2.7 本章小結(jié)44-45
• 3 基于人工神經(jīng)網(wǎng)絡(luò)法的短期風速預測45-71
• 3.1 神經(jīng)網(wǎng)絡(luò)的概念和原理概述45-48
• 3.1.1 神經(jīng)網(wǎng)絡(luò)簡介及其特性45-46
• 3.1.2 神經(jīng)網(wǎng)絡(luò)模型46-47
• 3.1.3 神經(jīng)網(wǎng)絡(luò)的學習47-48
• 3.2 基于BP神經(jīng)網(wǎng)絡(luò)的預測模型研究48-55
• 3.2.1 BP神經(jīng)網(wǎng)絡(luò)簡介48-49
• 3.2.2 BP網(wǎng)絡(luò)學習算法49-52
• 3.2.3 BP網(wǎng)絡(luò)的局限性及改進方法52
• 3.2.4 BP網(wǎng)絡(luò)建模及算例分析52-55
• 3.3 基于遺傳優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預測模型研究55-63
• 3.3.1 遺傳算法簡介55-56
• 3.3.2 遺傳算法的流程和基本要素56-59
• 3.3.3 GA算法與BP網(wǎng)絡(luò)的結(jié)合59-60
• 3.3.4 GA-BP網(wǎng)絡(luò)建模及算例分析60-63
• 3.4 基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預測模型研究63-69
• 3.4.1 粒子群算法簡介63-64
• 3.4.2 粒子群算法的流程、步驟及參數(shù)設(shè)置64-65
• 3.4.3 PSO算法與BP網(wǎng)絡(luò)的結(jié)合65-66
• 3.4.4 PSO-BP網(wǎng)絡(luò)建模及算例分析66-69
• 3.5 不同模型預測效果比較69-70
• 3.6 本章小結(jié)70-71
• 4 基于組合預測模型的短期風電功率預測71-79
• 4.1 組合模型預測71-74
• 4.1.1 組合預測概述71
• 4.1.2 組合模型建立71-73
• 4.1.3 基于組合模型的風速預測結(jié)果73-74
• 4.2 風電功率預測74-78
• 4.2.1 風能的計算75
• 4.2.2 風電機組出力的計算75-76
• 4.2.3 基于組合模型的風電功率預測算例76-78
• 4.3 本章小結(jié)78-79
• 5 結(jié)論與展望79-81
• 5.1 論文的結(jié)論79-80
• 5.2 論文的不足與展望80-81
• 參考文獻81-85
• 作者簡歷85-89
• 學位論文數(shù)據(jù)集89

【引證文獻】

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 卜遲武;風機葉片打磨機器人的控制研究[D];哈爾濱工程大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 蔡禎祺;基于數(shù)值天氣預報NWP修正的BP神經(jīng)網(wǎng)絡(luò)風電功率短期預測研究[D];浙江大學;2012年

2 徐蓓蓓;風電場風速和發(fā)電功率預測研究[D];長沙理工大學;2012年

3 劉雙順;風電場短期輸出功率預測方法研究[D];沈陽工業(yè)大學;2012年

4 徐聰麒;基于粒子群優(yōu)化的RBF網(wǎng)絡(luò)在節(jié)約型校園能耗監(jiān)管平臺中的應(yīng)用研究[D];廣西大學;2012年

5 陳標;短期電力負荷的小波神經(jīng)網(wǎng)絡(luò)預測[D];湖南大學;2012年

6 陳聰聰;基于組合模型的風功率預測[D];新疆大學;2012年

7 于安興;風電場短期風電功率預測研究[D];華東理工大學;2013年

8 李俊豪;風電場風速及風電功率短期預測方法的研究[D];河北工業(yè)大學;2012年

9 阮麗麗;水環(huán)境預測模型的開發(fā)及應(yīng)用研究[D];四川農(nóng)業(yè)大學;2012年

10 錢程;GARCH類模型在金融數(shù)據(jù)波動性分析中的應(yīng)用研究[D];遼寧師范大學;2012年

  本文關(guān)鍵詞：短期風速和風電功率預測模型的研究，由筆耕文化傳播整理發(fā)布。

本文編號：501920