本文關(guān)鍵詞：基于GACO支持向量機(jī)的新能源電力系統(tǒng)狀態(tài)預(yù)測(cè)方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來(lái),隨著化石能源的枯竭和環(huán)境污染問題日趨嚴(yán)重,新能源產(chǎn)業(yè)得到長(zhǎng)足發(fā)展。新能源產(chǎn)業(yè)中,光伏和風(fēng)電作為優(yōu)質(zhì)的可再生能源獲得了廣泛的關(guān)注。隨著光伏、風(fēng)電技術(shù)的發(fā)展,其控制過程中的一系列難題也暴露出來(lái)。對(duì)于光伏系統(tǒng),其輸出功率具有不確定性和不連貫性,不可預(yù)知的功率在并網(wǎng)過程中會(huì)造成不利影響；對(duì)于風(fēng)電系統(tǒng),控制過程中的重要變量風(fēng)速無(wú)法通過風(fēng)速儀準(zhǔn)確獲取,陣風(fēng)到來(lái)時(shí)也無(wú)法提前預(yù)知,影響風(fēng)電機(jī)組的控制與監(jiān)測(cè)策略,造成風(fēng)機(jī)載荷過大、風(fēng)機(jī)使用壽命縮短等問題。為解決上述問題,本文基于改進(jìn)仿生算法對(duì)支持向量機(jī)(Support Vector Machine, SVM)進(jìn)行優(yōu)化,并在此基礎(chǔ)上,設(shè)計(jì)光伏出力、風(fēng)速預(yù)測(cè)方法,以及陣風(fēng)判斷方法。主要研究?jī)?nèi)容包括以下三方面：(1)研究基于網(wǎng)格蟻群算法(Grid-aided Ant Colony Optimization,GACO)的支持向量機(jī)算法(GACO-SVM)。在智能生物仿真算法蟻群算法的基礎(chǔ)上,引入了網(wǎng)格搜索算法對(duì)蟻群算法的局部搜索過程進(jìn)行優(yōu)化,從而融合網(wǎng)格法和蟻群法的優(yōu)點(diǎn),進(jìn)而將GACO應(yīng)用于支持向量機(jī)參數(shù)選擇中。(2)研究基于GACO-SVM的光伏系統(tǒng)功率產(chǎn)出預(yù)測(cè)方法。對(duì)典型的光伏模塊MSX60進(jìn)行分析和建模,結(jié)合澳大利亞光伏研究機(jī)構(gòu)提供的真實(shí)光照、溫度數(shù)據(jù),計(jì)算光伏系統(tǒng)功率產(chǎn)出的理論值,作為支持向量機(jī)的訓(xùn)練樣本。仿真實(shí)驗(yàn)表明,訓(xùn)練得到的模型可對(duì)未來(lái)光伏功率產(chǎn)出進(jìn)行高精度的預(yù)測(cè)。(3)研究基于GACO-SVM的風(fēng)電機(jī)組風(fēng)速預(yù)測(cè)和陣風(fēng)判斷方法。面向大型海上風(fēng)電機(jī)組模型,使用Bladed專業(yè)軟件模擬產(chǎn)生IEC標(biāo)準(zhǔn)工況下的運(yùn)行狀態(tài)數(shù)據(jù),并通過相關(guān)性分析避免冗余計(jì)算,提高運(yùn)算效率和精度。進(jìn)而,對(duì)此數(shù)據(jù)使用GACO-SVM進(jìn)行回歸和分類計(jì)算,實(shí)現(xiàn)了高效高精度的風(fēng)速預(yù)測(cè)和陣風(fēng)判斷,為風(fēng)電機(jī)組的控制與監(jiān)測(cè)策略設(shè)計(jì)奠定了基礎(chǔ)。
【關(guān)鍵詞】：光伏系統(tǒng) 風(fēng)力發(fā)電機(jī)組 支持向量機(jī) 蟻群算法 相關(guān)性分析 Bladed
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TM61;TP18
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-23
• 1.1 光伏產(chǎn)業(yè)發(fā)展現(xiàn)狀11-14
• 1.1.1 國(guó)外光伏產(chǎn)業(yè)發(fā)展現(xiàn)狀11-13
• 1.1.2 國(guó)內(nèi)光優(yōu)產(chǎn)業(yè)發(fā)展現(xiàn)狀13-14
• 1.2 風(fēng)電產(chǎn)業(yè)發(fā)展?fàn)顩r14-17
• 1.2.1 國(guó)外風(fēng)電產(chǎn)業(yè)發(fā)展?fàn)顩r14-16
• 1.2.2 國(guó)內(nèi)風(fēng)電產(chǎn)業(yè)發(fā)展現(xiàn)狀16-17
• 1.3 課題來(lái)源和研究意義17-18
• 1.4 本文所涉及的領(lǐng)域的國(guó)內(nèi)外研究現(xiàn)狀18-21
• 1.4.1 支持向量機(jī)參數(shù)選擇研究現(xiàn)狀18-19
• 1.4.2 光伏出力預(yù)測(cè)研究現(xiàn)狀19-20
• 1.4.3 風(fēng)速估計(jì)和陣風(fēng)預(yù)測(cè)研究現(xiàn)狀20-21
• 1.5 論文內(nèi)容21-23
• 2 支持向量機(jī)基本原理及論文總體方案23-35
• 2.1 引言23
• 2.2 機(jī)器學(xué)習(xí)23-27
• 2.2.1 機(jī)械式學(xué)習(xí)24-25
• 2.2.2 歸納學(xué)習(xí)25
• 2.2.3 基于解釋的學(xué)習(xí)25-26
• 2.2.4 神經(jīng)網(wǎng)絡(luò)26
• 2.2.5 遺傳算法26-27
• 2.3 支持向量機(jī)27-32
• 2.3.1 統(tǒng)計(jì)學(xué)理論27
• 2.3.2 VC維與結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則27-28
• 2.3.3 支持向量機(jī)分類28-29
• 2.3.4 支持向量機(jī)回歸29-31
• 2.3.5 LibSVM工具箱31-32
• 2.3.6 支持向量機(jī)的參數(shù)選擇32
• 2.4 論文總體方案設(shè)計(jì)32-34
• 2.5 本章總結(jié)34-35
• 3 GACO算法及其在SVM參數(shù)選擇中的應(yīng)用35-46
• 3.1 序言35
• 3.2 蟻群算法簡(jiǎn)介35-37
• 3.3 蟻群算法在支持向量機(jī)參數(shù)選擇中的應(yīng)用37-39
• 3.4 網(wǎng)格搜索法39-40
• 3.5 網(wǎng)格優(yōu)化的蟻群算法40-41
• 3.6 仿真實(shí)驗(yàn)41-45
• 3.7 本章總結(jié)45-46
• 4 基于GACO參數(shù)選擇的支持向量機(jī)光伏出力預(yù)測(cè)46-58
• 4.1 引言46
• 4.2 光伏電池工作原理46-47
• 4.3 光伏電池輸出功率預(yù)測(cè)47-48
• 4.4 光伏電池模型構(gòu)建48-51
• 4.5 多種天氣情況下光伏輸出功率預(yù)測(cè)仿真分析51-57
• 4.5.1 少云天氣下輸出功率預(yù)測(cè)53-54
• 4.5.2 多云天氣下輸出功率預(yù)測(cè)54-55
• 4.5.3 陣雨天氣下輸出功率預(yù)測(cè)55-57
• 4.6 本章總結(jié)57-58
• 5 基于GACO支持向量機(jī)的風(fēng)速預(yù)測(cè)和陣風(fēng)判斷58-76
• 5.1 引言58-59
• 5.2 風(fēng)電機(jī)組及其模型建立59-65
• 5.2.1 風(fēng)電機(jī)組主要構(gòu)造59-61
• 5.2.2 風(fēng)電機(jī)組發(fā)電原理61-62
• 5.2.3 Bladed仿真平臺(tái)62-64
• 5.2.4 基于SPSS的相關(guān)性分析64-65
• 5.3 基于支持向量機(jī)回歸的風(fēng)速預(yù)測(cè)65-72
• 5.3.1 9m/s湍流風(fēng)風(fēng)速預(yù)測(cè)67-69
• 5.3.2 11m/s湍流風(fēng)風(fēng)速預(yù)測(cè)69-71
• 5.3.3 14m/s湍流風(fēng)風(fēng)速預(yù)測(cè)71-72
• 5.4 基于支持向量機(jī)分類的陣風(fēng)判斷72-75
• 5.5 本章總結(jié)75-76
• 6 結(jié)論76-78
• 6.1 研究工作總結(jié)76-77
• 6.2 后續(xù)工作展望77-78
• 參考文獻(xiàn)78-82
• 作者簡(jiǎn)歷及攻讀碩士學(xué)位期間取得的研究成果82-84
• 學(xué)位論文數(shù)據(jù)集84

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 葛海峰;林繼鵬;劉君華;丁暉;;基于支持向量機(jī)和小波分解的氣體識(shí)別研究[J];儀器儀表學(xué)報(bào);2006年06期

2 琚旭;王浩;姚宏亮;;支持向量機(jī)的一個(gè)邊界樣本修剪方法[J];合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年07期

3 張菁華;袁鑫;劉達(dá);;基于支持向量機(jī)的電力工程最優(yōu)投標(biāo)報(bào)價(jià)決策研究[J];山東電力高等�？茖W(xué)校學(xué)報(bào);2006年04期

4 張濤;段淑敏;;支持向量機(jī)在中醫(yī)疾病癥候診斷中的應(yīng)用[J];華北水利水電學(xué)院學(xué)報(bào);2007年03期

5 王晶;靳其兵;曹柳林;;面向多輸入輸出系統(tǒng)的支持向量機(jī)回歸[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年S2期

6 陳丹;;多類支持向量機(jī)算法的研究[J];東莞理工學(xué)院學(xué)報(bào);2007年05期

7 程麗麗;張健沛;馬駿;;一種改進(jìn)的加權(quán)邊界調(diào)節(jié)支持向量機(jī)算法[J];哈爾濱工程大學(xué)學(xué)報(bào);2007年10期

8 宋召青;崔和;胡云安;;支持向量機(jī)理論的研究與進(jìn)展[J];海軍航空工程學(xué)院學(xué)報(bào);2008年02期

9 郭濵;孫曉梅;薛明;;基于殼向量的邊界鄰近支持向量機(jī)[J];黑龍江交通科技;2008年12期

10 許超;運(yùn)士偉;舒云星;;基于支持向量機(jī)的混凝土測(cè)強(qiáng)換算模型[J];洛陽(yáng)理工學(xué)院學(xué)報(bào)(自然科學(xué)版);2008年02期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 余樂安;姚瀟;;基于中心化支持向量機(jī)的信用風(fēng)險(xiǎn)評(píng)估模型[A];第六屆（2011）中國(guó)管理學(xué)年會(huì)——商務(wù)智能分會(huì)場(chǎng)論文集[C];2011年

2 劉希玉;徐志敏;段會(huì)川;;基于支持向量機(jī)的創(chuàng)新分類器[A];山東省計(jì)算機(jī)學(xué)會(huì)2005年信息技術(shù)與信息化研討會(huì)論文集（一）[C];2005年

3 史曉濤;劉建麗;駱玉榮;;一種抗噪音的支持向量機(jī)學(xué)習(xí)方法[A];全國(guó)第19屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集（下冊(cè)）[C];2008年

4 何琴淑;劉信恩;肖世富;;基于支持向量機(jī)的系統(tǒng)辨識(shí)方法研究及應(yīng)用[A];中國(guó)力學(xué)大會(huì)——2013論文摘要集[C];2013年

5 劉駿;;基于支持向量機(jī)方法的衢州降雪模型[A];第五屆長(zhǎng)三角氣象科技論壇論文集[C];2008年

6 王婷;胡秀珍;;基于組合向量的支持向量機(jī)方法預(yù)測(cè)膜蛋白類型[A];第十一次中國(guó)生物物理學(xué)術(shù)大會(huì)暨第九屆全國(guó)會(huì)員代表大會(huì)摘要集[C];2009年

7 趙晶;高雋;張旭東;謝昭;;支持向量機(jī)綜述[A];全國(guó)第十五屆計(jì)算機(jī)科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2003年

8 周星宇;王思元;;智能數(shù)學(xué)與支持向量機(jī)[A];2005年中國(guó)智能自動(dòng)化會(huì)議論文集[C];2005年

9 顏根廷;馬廣富;朱良寬;宋斌;;一種魯棒支持向量機(jī)算法[A];2006中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

10 侯澍e，

本文編號(hào)：262159