風(fēng)電功率具有很強(qiáng)的波動(dòng)性、隨機(jī)性和間歇性,風(fēng)電功率的準(zhǔn)確問題是當(dāng)前新能源發(fā)電領(lǐng)域的一個(gè)研究熱點(diǎn)與難點(diǎn)。目前常用的風(fēng)電功率預(yù)測(cè)方法存在一定不足,其體現(xiàn)在預(yù)測(cè)過程中,多數(shù)預(yù)測(cè)模型將風(fēng)電場(chǎng)的所有歷史數(shù)據(jù)作為模型輸入,未能對(duì)特征信息（風(fēng)電功率、風(fēng)速、氣溫、氣壓等）進(jìn)行重要性的排序與篩選,從而降低了預(yù)測(cè)精度與效果。此外以 BP-ANN（Back Propagation-Artificial Neural Networks,反向傳播人工神經(jīng)網(wǎng)絡(luò)）為代表的相對(duì)優(yōu)秀的啟發(fā)式預(yù)測(cè)方法也存在著隱含層不足,無法深度捕捉模型輸入與輸出關(guān)系的問題。針對(duì)這些問題,本文引入DNN（Deep Neural Networks,深度神經(jīng)網(wǎng)絡(luò)）與RF（Random Forest,隨機(jī)森林）模型,并在以下三個(gè)方面開展研究。為了分析風(fēng)電功率預(yù)測(cè)過程中的影響因素,從風(fēng)速、風(fēng)向、溫度、空氣密度等方面分析了風(fēng)電功率與天氣因素的關(guān)聯(lián)性,從而建立起預(yù)測(cè)模型的輸入天氣變量集合,最后為了衡量不同預(yù)測(cè)方法的預(yù)測(cè)誤差,選擇了四個(gè)目前常用的風(fēng)電功率預(yù)測(cè)評(píng)估指標(biāo):（1）平均絕對(duì)誤差MAE（2）平均絕對(duì)百分比誤差MAPE（3）均方誤差MSE（4）均方... 

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 風(fēng)電功率預(yù)測(cè)研究現(xiàn)狀
        1.2.2 DNN的應(yīng)用研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 技術(shù)路線
2 風(fēng)電場(chǎng)輸出功率的預(yù)測(cè)模型與影響因素研究
    2.1 風(fēng)電功率預(yù)測(cè)模型
    2.2 風(fēng)電功率影響因素分析
        2.2.1 風(fēng)速的影響分析
        2.2.2 風(fēng)向的影響分析
        2.2.3 溫度的影響分析
        2.2.4 空氣密度的影響分析
        2.2.5 其他因素的影響分析
    2.3 風(fēng)電功率預(yù)測(cè)評(píng)估指標(biāo)
        2.3.1 平均絕對(duì)誤差
        2.3.2 平均絕對(duì)百分比誤差
        2.3.3 均方誤差
        2.3.4 均方根誤差
    2.4 本章小節(jié)
3 基于DNN的風(fēng)電功率預(yù)測(cè)研究
    3.1 深度神經(jīng)網(wǎng)絡(luò)
        3.1.1 深度神經(jīng)網(wǎng)絡(luò)模型
        3.1.2 深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法
    3.2 基于DNN的風(fēng)電功率預(yù)測(cè)方法
        3.2.1 預(yù)測(cè)模型與操作步驟
        3.2.2 DNN預(yù)測(cè)方法的具體流程
    3.3 方法應(yīng)用與討論
        3.3.1 應(yīng)用對(duì)象
        3.3.2 應(yīng)用過程及預(yù)測(cè)結(jié)果
        3.3.3 比較與討論
    3.4 本章小結(jié)
4 基于RF-DNN特征信息選擇的風(fēng)電功率預(yù)測(cè)研究
    4.1 隨機(jī)森林與特征信息選擇
        4.1.1 決策樹理論
        4.1.2 隨機(jī)森林
        4.1.3 基于隨機(jī)森林的特征信息選擇步驟
    4.2 基于RF-DNN的風(fēng)電功率預(yù)測(cè)方法
    4.3 方法應(yīng)用與討論
        4.3.1 應(yīng)用對(duì)象
        4.3.2 應(yīng)用過程及預(yù)測(cè)結(jié)果
        4.3.3 比較與討論
    4.4 本章小結(jié)
5 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]歐洲風(fēng)電投資建設(shè)運(yùn)營(yíng)淺析[J]. 詹雷明.  中國(guó)設(shè)備工程. 2019(11)
[2]基于ABC-DNN的小電流接地故障選線方法[J]. 但揚(yáng)清,趙偉,朱艷偉,何英靜,沈舒儀.  智慧電力. 2019(04)
[3]基于Hilbert邊際譜和SAE-DNN的局部放電模式識(shí)別方法[J]. 高佳程,朱永利,鄭艷艷,張科,劉帥.  電力系統(tǒng)自動(dòng)化. 2019(01)
[4]Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Yu JIANG,Xingying CHEN,Kun YU,Yingchen LIAO.  Journal of Modern Power Systems and Clean Energy. 2017(01)
[5]風(fēng)電功率預(yù)測(cè)方法綜述[J]. 錢政,裴巖,曹利宵,王婧怡,荊博.  高電壓技術(shù). 2016(04)
[6]基于DNN算法的移動(dòng)視頻推薦策略[J]. 陳亮,汪景福,王娜,李霞.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[7]德國(guó)與西班牙風(fēng)電消納對(duì)中國(guó)的啟示[J]. 王飛.  能源與節(jié)能. 2016(01)
[8]大規(guī)模新能源接入后系統(tǒng)調(diào)峰能力與常規(guī)電源開機(jī)方式關(guān)系研究[J]. 張順,葛智平,郭濤,張世才,錢康.  電力系統(tǒng)保護(hù)與控制. 2016(01)
[9]基于深度神經(jīng)網(wǎng)絡(luò)的有色金屬領(lǐng)域?qū)嶓w識(shí)別[J]. 毛存禮,余正濤,沈韜,高盛祥,郭劍毅,線巖團(tuán).  計(jì)算機(jī)研究與發(fā)展. 2015(11)
[10]世界風(fēng)能強(qiáng)國(guó)發(fā)展風(fēng)電的經(jīng)驗(yàn)與對(duì)策[J]. 張慶陽,郭家康.  中外能源. 2015(06)

博士論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的語音識(shí)別模型研究[D]. 張仕良.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[2]中國(guó)新能源發(fā)展研究[D]. 張海龍.吉林大學(xué) 2014
[3]考慮調(diào)峰因素的風(fēng)電規(guī)劃研究[D]. 張宏宇.中國(guó)電力科學(xué)研究院 2013

碩士論文
[1]基于譜分析的大規(guī)模風(fēng)電場(chǎng)功率超短期概率區(qū)間預(yù)測(cè)研究[D]. 劉蕾.東北電力大學(xué) 2019
[2]風(fēng)電場(chǎng)短期風(fēng)速及功率預(yù)測(cè)技術(shù)研究[D]. 趙巖.天津理工大學(xué) 2018
[3]東營(yíng)風(fēng)電場(chǎng)風(fēng)電功率短期預(yù)測(cè)研究[D]. 鞏家豪.華北電力大學(xué) 2018



本文編號(hào)：3689434