對風電場輸出功率的短期預測被普遍認為是增加風電接入容量、提高國家電網(wǎng)系統(tǒng)運行安全性和經(jīng)濟性的有效手段,是風力發(fā)電的熱點研究問題之一。風電場輸出功率與風速等多種氣象要素有關,很難用一定的數(shù)學表達式來描述。在以往的風電功率短期預測模型建立上,研究者習慣于采用歷史實測數(shù)據(jù)進行研究,然而在實際情況下,往往缺少實測數(shù)據(jù)只有預報數(shù)據(jù),因此利用歷史實測數(shù)據(jù)所建立的模型應用到實際的風電功率短期預測中是不合理的。針對這一問題,本文采用數(shù)值天氣預報（NWP）數(shù)據(jù)進行預測模型研究。 本論文主要進行以下三個方面的工作： （1）首先利用BP神經(jīng)網(wǎng)絡建立風電功率短期預測模型,然后針對BP神經(jīng)網(wǎng)絡連接權(quán)值和節(jié)點閾值選取的盲目性和隨意性,容易陷入局部極小值導致預測結(jié)果的不穩(wěn)定問題,利用遺傳算法（GA）和粒子群算法（PSO）全局性搜索的優(yōu)勢來優(yōu)化BP神經(jīng)網(wǎng)絡,建立GA-BP和PSO-BP風電功率短期預測模型。實驗結(jié)果表明,優(yōu)化后模型的預測精度高于單一BP神經(jīng)網(wǎng)絡模型的預測精度。 （2）為了進一步提高風電功率短期預測的精度,反映不同天氣變化情況和機組狀態(tài),消除季節(jié)變化以及極端天氣情況對預測結(jié)果的影響我們... 

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 前言
    1.1 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 風電場風電功率預測的國內(nèi)外研究進展
        1.2.2 神經(jīng)網(wǎng)絡方法預測風電功率的國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容和方法
    1.4 研究成果
    1.5 論文組織結(jié)構(gòu)
第二章 相關理論及方法
    2.1 神經(jīng)網(wǎng)絡
        2.1.1 神經(jīng)網(wǎng)絡的概念及特點
        2.1.2 神經(jīng)網(wǎng)絡的發(fā)展
    2.2 BP神經(jīng)網(wǎng)絡
    2.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡
        2.3.1 遺傳算法的起源
        2.3.2 遺傳算法的基本要素
        2.3.3 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的算法流程
    2.4 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡
        2.4.1 粒子群算法的起源
        2.4.2 粒子群算法的介紹
        2.4.3 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的算法流程
    2.5 本章小結(jié)
第三章 風電功率短期預測模型研究
    3.1 利用BP神經(jīng)網(wǎng)絡進行風電場功率短期預測
        3.1.1 BP神經(jīng)網(wǎng)絡基本結(jié)構(gòu)確定
        3.1.2 BP神經(jīng)網(wǎng)絡預測風電功率結(jié)果
    3.2 利用GA-BP神經(jīng)網(wǎng)絡模型進行風電功率預測
    3.3 利用PSO-BP神經(jīng)網(wǎng)絡模型進行風電功率預測
    3.4 組合預測模型研究
        3.4.1 組合預測的思想
        3.4.2 組合預測的方法實現(xiàn)
        3.4.3 組合預測的實驗分析
    3.5 本章小結(jié)
第四章 風電場原始數(shù)據(jù)的預處理
    4.1 風電場概述
    4.2 風電場原始數(shù)據(jù)的簡介
    4.3 風電場風速的基本知識
        4.3.1 風速的變化特性
        4.3.2 風速的合理變化范圍
    4.4 利用組合預測方法處理異常和缺省數(shù)據(jù)
        4.4.1 異�；蛉笔�(shù)據(jù)示例
        4.4.2 缺省或異常數(shù)據(jù)的補缺
    4.5 本章小結(jié)
第五章 按月份建立組合預測模型的應用研究
    5.1 概述
    5.2 組合預測模型內(nèi)部參數(shù)的研究
        5.2.1 MATLAB神經(jīng)網(wǎng)絡工具箱
        5.2.2 GA與PSO中運行參數(shù)的設定
    5.3 按月份建立組合預測模型及結(jié)果分析
        5.3.1 實驗樣本的選擇
        5.3.2 按月份建立組合預測模型的結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)和展望
    6.1 總結(jié)
    6.2 進一步的工作
參考文獻
作者簡介
    攻讀學位期間學習情況
    作者攻讀學位期間發(fā)表的學術論文
    作者攻讀學位期間取得的其他學術成果
致謝


【參考文獻】：
期刊論文
[1]基于樣本熵和極端學習機的超短期風電功率組合預測模型[J]. 張學清,梁軍,張熙,張峰,張利,徐兵.  中國電機工程學報. 2013(25)
[2]考慮預測誤差分布特性的風電場集群調(diào)度方法[J]. 湯奕,王琦,陳寧,朱凌志.  中國電機工程學報. 2013(25)
[3]考慮風電接入的電力系統(tǒng)經(jīng)濟調(diào)度研究[J]. 楊佳俊,徐建政.  電工電氣. 2013(08)
[4]風電功率預測方法綜述及發(fā)展研究[J]. 牛東曉,范磊磊.  現(xiàn)代電力. 2013(04)
[5]基于改進BP神經(jīng)網(wǎng)絡的煤體瓦斯?jié)B透率預測模型[J]. 尹光志,李銘輝,李文璞,曹偈,李星.  煤炭學報. 2013(07)
[6]基于自適應線性邏輯網(wǎng)絡的風電功率預測方法性能評估與分析[J]. 王媛媛,秦政,張超,包德梅,賴曉路,岳以洋.  可再生能源. 2013(06)
[7]基于GA-BP與多隱層BP網(wǎng)絡模型的水質(zhì)預測及比較分析[J]. 王澤平.  水資源與水工程學報. 2013(03)
[8]基于小波Elman神經(jīng)網(wǎng)絡的短期風速預測[J]. 劉歡,劉吉臻,張文廣,張超.  華東電力. 2013(04)
[9]基于動態(tài)權(quán)重的風電功率組合預測方法研究[J]. 楊茂,賈云彭,錢為,陳琳.  東北電力大學學報. 2013(Z1)
[10]基于風功率預測的風電場平滑控制電池容量的需求分析[J]. 潘文霞,傅中興,王鵬飛,何海平.  太陽能學報. 2013(03)



本文編號：3724408