基于混沌理论和改进人工神经网络的短期风速预测研究

发布时间：2020-06-23 18:14

【摘要】：21世纪以来,可再生能源凭借其清洁、无污染、可再生等优势迅速崛起,成为世界各国关注的热点。开发利用可再生能源已经成为应对能源危机,改善环境问题,实现可持续发展的关键所在。其中,风能由于其不可代替的优势以及成熟的开发技术在众多新能源中脱颖而出,发展迅速。但在实际开发过程中,风能出力的随机性、间歇性及不可控性会给风电并网造成影响,危害电网安全稳定运行。因此,短期风速预测是风能开发利用过程中必不可少的环节。精确的风速预测在一定程度上能够协助电力系统进行及时有效的经济调度,减轻风电并网对电力系统的不利影响,保障电力系统可靠运行。鉴于风速时间序列自身和模型选取都影响到预测结果精确度,本文结合混沌理论和人工神经网络构建FEEMD-SE-PSR-MFO-ELM模型对短期风速预测进行了研究。对于风速时间序列的随机性和波动性问题,本文利用快速经验集成模态分解(FEEMD)对原始风速时间序进行分解,在保留数据信息的前提下实现时间序列平稳化处理,提高预测精度。同时,对FEEMD结果通过样本熵(SE)计算进行序列重组,在凸显序列相关性的同时减少了计算量。极限学习机训练速度快,学习性能好,但是其随机设置权值和阈值的特点也容易造成预测精度的大幅度波动。针对这一问题,本文引入飞蛾扑火算法(MFO)来对ELM的连接权值和阈值进行寻优操作,增强模型预测的可靠性和稳定性。另外,本文说明了风速时间序列的混沌特性,并将相空间理论(PSR)应用到了短期风速预测中。最后,本文以内蒙古风电场风速数据为研究对象对FEEMD-SE-PSR-MFO-ELM模型的可行性和有效性进行了验证,结果表明该混合模型在短期风速预测方面有较高的预测精度,能够满足风电场的实际需求。随着全球能源转型的逐步推进,化石能源体系最终会被低碳能源体系替代,风电的大规模开发利用是21世纪能源领域发展方向的大势所在。因此,本文立足于风电并网问题构建混合模型对短期风速进行预测研究,具有一定参考价值和现实意义。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F426.61;TM614
【图文】：

FEEMD分解结果——#1

基于混沌理论和改进人工神经网络的短期风速预测研究

EMD分解结果——#1

【参考文献】