基于自编码器和循环神经网络的短期风电功率预测研究

发布时间：2021-02-04 09:42

　　随着能源短缺和环境污染问题日趋严重,新能源技术获得了越来越多的关注。其中,风力发电由于其特有的优势和特点,正处于高速发展阶段。然而,由于风电具有极强的间歇性、波动性和不确定性,给电网调度带来了极大的难度,严重影响了电网运行的安全和稳定。风电功率短期预测是针对此问题的一个有效解决方法。本文基于当前风电功率短期预测的研究现状,结合了我国东南沿海某风电场A的实际历史数据,针对短期风电功率的点预测和区间预测进行了研究,给出了多种方法用于提高预测精度。本文主要的研究内容有以下几点:（1）给出了基于局部离群因子（Local Outlier Factor,LOF）的异常数据识别和加权K近邻（K nearest neighbor,KNN）的异常数据修正相结合的算法,用此方法处理过后的数据有助于提升模型的预测精度,为后续研究打下基础。（2）通过实验对比了去噪自编码器（Denoising Auto-encoder,DAE）和堆叠去噪自编码器（Stacked Denoising Auto-encoder,SDAE）相较于传统特征提取方法主成分分析（Principal components analysis,... 

【文章来源】：华侨大学福建省

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

()距离示意图

风电场A的实测功率数据分布图

风电场风速-功率散点图

【参考文献】：
期刊论文
[1]基于长短期记忆网络的风电场发电功率超短期预测[J]. 朱乔木,李弘毅,王子琪,陈金富,王博.  电网技术. 2017(12)
[2]风电功率概率预测方法及展望[J]. 吴问足,乔颖,鲁宗相,汪宁渤,周强.  电力系统自动化. 2017(18)
[3]基于功率曲线的风电机组数据清洗算法[J]. 娄建楼,胥佳,陆恒,曲朝阳,李韶武,刘瑞华.  电力系统自动化. 2016(10)
[4]基于时间序列建模在风力发电功率短期预测中的研究[J]. 田波,朴在林,王慧.  电网与清洁能源. 2016(03)
[5]一种变权重风电功率最优组合预测模型[J]. 马斌,张丽艳,郭成.  电力系统保护与控制. 2016(05)
[6]基于高斯混合模型的风电场群功率波动概率密度分布函数研究[J]. 崔杨,杨海威,李鸿博.  电网技术. 2016(04)
[7]基于模糊序优化的风功率概率模型非参数核密度估计方法[J]. 杨楠,崔家展,周峥,张善咏,张刘峰,刘涤尘,胡伟毅.  电网技术. 2016(02)
[8]超短期风电功率预测误差数值特性分层分析方法[J]. 叶林,任成,赵永宁,饶日晟,滕景竹.  中国电机工程学报. 2016(03)
[9]堆叠去噪自编码器在垃圾邮件过滤中的应用[J]. 李艳涛,冯伟森.  计算机应用. 2015(11)
[10]深度学习中的自编码器的表达能力研究[J]. 王雅思,姚鸿勋,孙晓帅,许鹏飞,赵思成.  计算机科学. 2015(09)

硕士论文
[1]基于小波变换和深度信念网络的风电场短期风速预测方法[D]. 李刚强.深圳大学 2017
[2]风电场短期风速预测技术方法研究[D]. 周介圭.天津大学 2012



本文编号：3018110