混合风速预测模型的建立与评估

发布时间：2021-10-08 13:28

　　目前,风力发电已经发展成为中国继煤电、水电之后的第三大电源。作为一种新型的清洁能源,风力发电具有发电技术较为成熟、成本下降较为迅速等优点,因此风电在电力行业的地位不断提升,发电量占比随着装机容量规模的扩大而逐年迅速增长。根据世界风能协会的相关数据,截止2017年底,全球风电装机容量累计达到539GW,其中2017年新增52.6GW,可见风力发电产业已颇具规模并继续保持高速增长的态势。尽管目前中国有着全世界最大的风电装机容量,但面临的问题是风力发电量在总发电量中的占比较低。相较而言,在丹麦、葡萄牙和西班牙等欧洲国家,风力发电已经成为其最重要的电力来源之。面对风电产业的大规模发展以及对于风力发电的需要,高精度的风功率预测就有着举足轻重的实践意义。高精度的风速预测能够提高风能利用的效率,从而提升风力发电的经济效益、降低风力发电的成本、改进电力系统的安全性能。在此背景下,本文提出一种结合了集合经验模态分解（EEMD）、模拟退火算法（SA）和BP神经网络的新型混合风速预测模型E-SA-BP进行风速预测。作为当今广泛使用的人工智能预测方法,BP神经网络具有推理依据可靠、推导过程严谨、预测精度较高、... 

【文章来源】：东北财经大学辽宁省

【文章页数】：49 页

【学位级别】：硕士

【部分图文】：

图３－１?ＥＥＭＤ处理原始风速数据??３．２?ＳＡ优化神经网络结构??

图３－２?混合预测模型Ｅ－ＳＡ－ＢＰ的结构??

本文从５０个风速观测站中随机选取３个风速观测站作为测试对象，并将??其命名为一号观测站、二号观测站和三号观测站。选取２０１１年１月１日０：００??到２０１１年１月１０日２３：５０的数据组成输入数据集。选择数据的细节详见图４－１。??：?．．ｙ?Ｈ．＾ｒ，??：?７２０?：?？?．??＼?：??；二…???：??：Ｊａｎ?１０?－?？?．?？?？?’?－?￣?１４４０?＾?？?（ｂ）?Ｓｔｒｕｃｔｕｒｅ?ｏｆ?ＢＰＮＮ??（ａ）?Ｏｒｉｇｉｎａｌ?ｄａｔａ?ｆｒｏｍ?Ｊａｎ?１?ｔｏ?Ｊａｎ?１０??■?ＪＡＫ?．？?ｆ?－ｔ?ＪＡ?＇Ｓ?１?＆??ａｔ?ｔｏ?ａ：?〇：?ｆ?？ｓ?？？?ｍ?？？?〇：?＊＊？??ｏ＇?ｗ?：?ｏ：〇：?－Ｗ?１．０：?ｓｏ?？？．?２０??．－广一；??匪祕＿??？?ＪＡＭ?？?ＪＡｈ?｛?７?ｊ＆ｆｉ?＂?？??：；：：?Ｓｉ：：?：：；：?：：；：?：；：：?＝??（ｃ）?Ｄａｔａ?ｓｅｌｅｃｔｉｏｎ?ｓｃｈ

【参考文献】：
期刊论文
[1]基于EEMD-LSSVM的超短期负荷预测[J]. 王新,孟玲玲.  电力系统保护与控制. 2015(01)
[2]基于优化PSO-SVM模型的软件可靠性预测[J]. 张晓南,刘安心,刘斌,张宏梅,青星.  计算机应用. 2011(07)
[3]基于广义回归神经网络的电力系统中长期负荷预测[J]. 姚李孝,刘学琴,伍利,薛美娟.  电力自动化设备. 2007(08)
[4]基于ARIMA模型的网络流量预测[J]. 薛可,李增智,刘浏,宋承谦.  微电子学与计算机. 2004(07)
[5]基于广义回归神经网络的货运量预测[J]. 赵闯,刘凯,李电生.  铁道学报. 2004(01)

博士论文
[1]时间序列短期预测模型研究与应用[D]. 张浒.华中科技大学 2013

硕士论文
[1]风速预测的研究与应用[D]. 王晓称.华北电力大学 2012
[2]短期风速和风电功率预测模型的研究[D]. 方江晓.北京交通大学 2011
[3]模拟退火算法的原理及算法在优化问题上的应用[D]. 庞峰.吉林大学 2006



本文编号：3424255