本文關(guān)鍵詞：基于非線性時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著風(fēng)能在世界能源中的比重快速增加,風(fēng)電產(chǎn)業(yè)快速發(fā)展,高精度的風(fēng)電功率預(yù)測有效地減輕或避免風(fēng)電場接入電網(wǎng)對電力系統(tǒng)造成的壞影響,利于實(shí)行電網(wǎng)調(diào)度和對風(fēng)電場的管理,提高其在電力市場中的競爭能力。采用歷史數(shù)據(jù)進(jìn)行預(yù)測適合超短期的風(fēng)電場功率預(yù)測,較長時(shí)間的預(yù)測須使用數(shù)值天氣預(yù)報(bào),目前用于風(fēng)電場風(fēng)速及功率預(yù)測的辦法不計(jì)其數(shù),統(tǒng)計(jì)方法中應(yīng)用最好的分別是時(shí)間序列和神經(jīng)網(wǎng)絡(luò)方法,論文選用時(shí)間序列中ARIMA模型和神經(jīng)網(wǎng)絡(luò)模型,結(jié)合數(shù)值天氣預(yù)報(bào),組合預(yù)測風(fēng)速,并對功率進(jìn)行預(yù)測,主要工作包括以下幾方面:論文根據(jù)相關(guān)科研文獻(xiàn),總結(jié)了風(fēng)電場風(fēng)速以及功率預(yù)測發(fā)展的背景、意義以及全球現(xiàn)狀,以及目前研究現(xiàn)狀所面臨的問題及困難。對影響風(fēng)電功率預(yù)測的主要?dú)庀髤?shù)進(jìn)行了簡要介紹,分析了其對風(fēng)電功率的影響,參數(shù)數(shù)據(jù)的處理方式及規(guī)律,講訴了現(xiàn)有預(yù)測方法的分類及原理。建立ARIMA模型、BP神經(jīng)網(wǎng)絡(luò)模型以及數(shù)值天氣預(yù)報(bào)的調(diào)整模型,分析三種預(yù)測方法的誤差規(guī)律性。在三種單一模型的基礎(chǔ)上進(jìn)行了基于熵的風(fēng)速組合預(yù)測,同時(shí)為了更進(jìn)一步的提高模型預(yù)測精度,在統(tǒng)計(jì)三種單一模型預(yù)測誤差的基礎(chǔ)上,將權(quán)重?cái)U(kuò)展為針對24小時(shí)96時(shí)刻的權(quán)重序列,根據(jù)獲得的日預(yù)測誤差統(tǒng)計(jì)到建模所需的誤差統(tǒng)計(jì)序列中,更新權(quán)重序列,獲得按日循環(huán)更新權(quán)重序列的動(dòng)態(tài)熵權(quán)風(fēng)速組合預(yù)測模型。建立神經(jīng)網(wǎng)絡(luò)功率預(yù)測模型,在同等條件下,對輸入?yún)?shù)的選擇和隱層神經(jīng)元數(shù)目的確定進(jìn)行了比較分析,確定最優(yōu)參數(shù)和神經(jīng)元數(shù)目,獲得最優(yōu)的功率預(yù)測模型。同時(shí)將建立的風(fēng)速動(dòng)態(tài)組合預(yù)測模型應(yīng)用到功率預(yù)測模型中,對比應(yīng)用前后的預(yù)測誤差并進(jìn)行結(jié)果分析。
【關(guān)鍵詞】：風(fēng)速預(yù)測 風(fēng)功率預(yù)測 熵權(quán) 組合預(yù)測 動(dòng)態(tài)組合預(yù)測
【學(xué)位授予單位】：沈陽工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TM614;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 課題研究的背景和意義9-11
• 1.2 風(fēng)電場功率預(yù)測發(fā)展概況11-13
• 1.2.1 國外研究發(fā)展與現(xiàn)狀11-12
• 1.2.2 國內(nèi)研究發(fā)展與現(xiàn)狀12
• 1.2.3 目前風(fēng)電功率預(yù)測面臨的主要問題12-13
• 1.3 論文研究主要內(nèi)容和結(jié)構(gòu)安排13-14
• 第2章 風(fēng)電場參數(shù)及風(fēng)電功率預(yù)測方法和原理14-24
• 2.1 風(fēng)電場參數(shù)14-18
• 2.1.1 風(fēng)電場參數(shù)的基本知識14-17
• 2.1.2 參數(shù)運(yùn)行數(shù)據(jù)的預(yù)處理17-18
• 2.2 風(fēng)電場參數(shù)規(guī)律18-22
• 2.2.1 風(fēng)速和風(fēng)向規(guī)律18-21
• 2.2.2 風(fēng)電場全場年輸出功率規(guī)律21-22
• 2.3 風(fēng)電功率預(yù)測方法及原理22-24
• 第3章 風(fēng)電場風(fēng)速預(yù)測24-46
• 3.1 時(shí)間序列模型24-34
• 3.1.1 時(shí)間序列24-27
• 3.1.2 時(shí)間序列建模過程27-31
• 3.1.3 風(fēng)速時(shí)間序列預(yù)測模型31-34
• 3.2 神經(jīng)網(wǎng)絡(luò)模型34-40
• 3.2.1 神經(jīng)網(wǎng)絡(luò)34-36
• 3.2.2 基于BP神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測模型36-40
• 3.3 數(shù)值天氣預(yù)報(bào)40-44
• 3.3.1 數(shù)值天氣預(yù)報(bào)40-42
• 3.3.2 數(shù)值天氣預(yù)報(bào)的使用42-44
• 3.4 模型預(yù)測結(jié)果分析44-46
• 第4章 風(fēng)電場風(fēng)速組合預(yù)測46-53
• 4.1 基于熵的風(fēng)速組合預(yù)測模型46-49
• 4.1.1 熵原理46-48
• 4.1.2 基于熵的風(fēng)速組合預(yù)測模型48-49
• 4.2 動(dòng)態(tài)熵風(fēng)速組合預(yù)測模型49-53
• 4.2.1 動(dòng)態(tài)熵風(fēng)速組合預(yù)測的原理49-51
• 4.2.2 仿真預(yù)測結(jié)果分析51-53
• 第5章 風(fēng)電場功率組合預(yù)測53-56
• 5.1 風(fēng)電場功率預(yù)測模型53-54
• 5.1.1 功率預(yù)測模型53-54
• 5.1.2 動(dòng)態(tài)熵權(quán)的功率組合預(yù)測模型54
• 5.2 仿真預(yù)測及結(jié)果分析54-56
• 第6章 結(jié)論56-57
• 參考文獻(xiàn)57-60
• 在學(xué)研究成果60-61
• 致謝61

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張露;盧繼平;梅亦蕾;朱三立;;基于不同優(yōu)化準(zhǔn)則的風(fēng)電功率預(yù)測[J];電力自動(dòng)化設(shè)備;2015年05期

2 郁琛;薛禹勝;文福拴;董朝陽;K.P.WONG;Kang LI;;按時(shí)序特征優(yōu)化模型后在線選配的超短期風(fēng)電預(yù)測[J];電力系統(tǒng)自動(dòng)化;2015年08期

3 李龍;魏靖;黎燦兵;曹一家;宋軍英;方八零;;基于人工神經(jīng)網(wǎng)絡(luò)的負(fù)荷模型預(yù)測[J];電工技術(shù)學(xué)報(bào);2015年08期

4 王印松;蘇子卿;;一種基于相鄰風(fēng)機(jī)測量數(shù)據(jù)相關(guān)性分析的風(fēng)速預(yù)測方法[J];華北電力大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年02期

5 王麗婕;冬雷;高爽;;基于多位置NWP與主成分分析的風(fēng)電功率短期預(yù)測[J];電工技術(shù)學(xué)報(bào);2015年05期

6 李玲玲;許亞惠;田曉越;牛云濤;;基于組合模型的風(fēng)電功率短期預(yù)測[J];電工技術(shù)學(xué)報(bào);2014年S1期

7 楊錫運(yùn);劉歡;張彬;陳嵩;;基于熵權(quán)法的光伏輸出功率組合預(yù)測模型[J];太陽能學(xué)報(bào);2014年05期

8 孫培學(xué);趙坤鵬;;基于熵權(quán)法的組合模型在大壩滲流預(yù)測中的應(yīng)用[J];水電能源科學(xué);2013年12期

9 歐陽森;石怡理;;改進(jìn)熵權(quán)法及其在電能質(zhì)量評估中的應(yīng)用[J];電力系統(tǒng)自動(dòng)化;2013年21期

10 楊茂;馬秀達(dá);溫道揚(yáng);莊明振;王文靜;;風(fēng)電功率預(yù)測研究綜述[J];電測與儀表;2013年07期

  本文關(guān)鍵詞：基于非線性時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測，由筆耕文化傳播整理發(fā)布。

，

本文編號：315962