經(jīng)濟(jì)的快速發(fā)展帶來(lái)了能源需求的增加,化石燃料會(huì)給環(huán)境帶來(lái)一定程度的破壞,同時(shí)也不利于社會(huì)的永續(xù)發(fā)展。風(fēng)電作為可再生能源,日益引起全球各地的關(guān)注。但由于其具有一定的隨機(jī)性與波動(dòng)性,給風(fēng)電的調(diào)度帶來(lái)了挑戰(zhàn)。因此精準(zhǔn)的風(fēng)電功率預(yù)測(cè)能夠有力保障電力系統(tǒng)穩(wěn)定運(yùn)行,為風(fēng)電的大規(guī)模并網(wǎng)指明方向。為了提高風(fēng)電功率預(yù)測(cè)的精度,本文應(yīng)用了基于注意力機(jī)制的CNN-LSTM模型,主要工作如下:首先,充分了解風(fēng)力發(fā)電的相關(guān)理論。了解風(fēng)電數(shù)據(jù)的特性,分析影響風(fēng)電功率的因素,對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,進(jìn)行合理性檢驗(yàn)、清洗與填充工作,建立風(fēng)電功率預(yù)測(cè)數(shù)據(jù)集,為后續(xù)工作奠定堅(jiān)實(shí)基礎(chǔ)。然后,應(yīng)用CNN-LSTM組合模型。在深入分析幾種神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,利用單模型預(yù)測(cè)風(fēng)電功率,經(jīng)對(duì)比分析將特征提取能力強(qiáng)大的CNN模型與善于處理長(zhǎng)時(shí)間序列的LSTM模型相結(jié)合,既提取了有用信息,又解決了長(zhǎng)期依賴問(wèn)題,在一定程度上提升了預(yù)測(cè)精度。最后,應(yīng)用基于注意力機(jī)制的CNN-LSTM模型。引入注意力機(jī)制,對(duì)CNN-LSTM組合模型進(jìn)行優(yōu)化,并將其應(yīng)用到風(fēng)電功率預(yù)測(cè)領(lǐng)域。利用CNN網(wǎng)絡(luò)提取風(fēng)電序列的多維特征,將所提取的重要特征矢量視為L(zhǎng)STM的輸入值...

【文章頁(yè)數(shù)】：57 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的風(fēng)電功率預(yù)測(cè)
        1.2.2 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)
        1.2.3 注意力機(jī)制在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的應(yīng)用
    1.3 本文研究?jī)?nèi)容及創(chuàng)新點(diǎn)
第2章 風(fēng)電功率預(yù)測(cè)相關(guān)理論
    2.1 風(fēng)電功率數(shù)據(jù)的簡(jiǎn)要介紹
        2.1.1 風(fēng)電數(shù)據(jù)的特性
        2.1.2 影響風(fēng)電功率的因素
    2.2 風(fēng)電功率預(yù)測(cè)的分類
        2.2.1 基于預(yù)測(cè)時(shí)間的分類
        2.2.2 基于預(yù)測(cè)模型的分類
    2.3 短期風(fēng)電功率預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)模型
        2.3.1 BP神經(jīng)網(wǎng)絡(luò)
        2.3.2 CNN網(wǎng)絡(luò)
        2.3.3 RNN網(wǎng)絡(luò)
        2.3.4 LSTM網(wǎng)絡(luò)
    2.4 本章小節(jié)
第3章 風(fēng)電功率預(yù)測(cè)數(shù)據(jù)集的建立
    3.1 數(shù)據(jù)的合理性檢驗(yàn)
    3.2 數(shù)據(jù)的清洗與填充
        3.2.1 基于四分位法的數(shù)據(jù)清洗
        3.2.2 基于插值法的數(shù)據(jù)填充
    3.3 數(shù)據(jù)的歸一化
    3.4 風(fēng)電功率預(yù)測(cè)誤差評(píng)價(jià)指標(biāo)
    3.5 基于單個(gè)神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電功率預(yù)測(cè)
        3.5.1 樣本選取
        3.5.2 單模型驗(yàn)證與對(duì)比
    3.6 本章小結(jié)
第4章 實(shí)證分析
    4.1 基于組合模型的風(fēng)電功率預(yù)測(cè)
        4.1.1 CNN-LSTM模型原理
        4.1.2 基于CNN-LSTM的風(fēng)電功率預(yù)測(cè)
    4.2 基于注意力機(jī)制的風(fēng)電功率預(yù)測(cè)
        4.2.1 注意力機(jī)制原理
        4.2.2 基于注意力機(jī)制的CNN-LSTM預(yù)測(cè)模型結(jié)構(gòu)
        4.2.3 基于注意力機(jī)制的CNN-LSTM風(fēng)電功率預(yù)測(cè)
    4.3 風(fēng)電功率預(yù)測(cè)結(jié)果評(píng)價(jià)與分析
        4.3.1 不同模型下風(fēng)電功率預(yù)測(cè)結(jié)果對(duì)比
        4.3.2 不同模型下風(fēng)電功率預(yù)測(cè)誤差對(duì)比
    4.4 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號(hào)：3820537