基于深度神经网络的风功率预测模型
发布时间：2021-04-15 10:26
风功率预测是风电领域的一个重要研究主题。随着电力系统中风电占比的快速提高,风功率具有的波动性及间歇性的特点对风电大规模并网的安全稳定性构成了严峻的挑战。精准的风功率预测结果对于电力系统调度及经济运行具有重要的参考价值。为了有效地对风功率进行预测,本文将广域时空的数值天气预报数据与深度神经网络相结合建立一个基于深度神经网络的风功率预测模型。本文的主要工作内容和研究成果如下:（1）结合卷积神经网络（Convolutional Neural Network,CNN）和门控循环单元（Gated Recurrent Unit,GRU）网络的特点,提出了一种CGRU深度神经网络。CGRU网络将CNN和GRU网络进行组合,使得CGRU兼具CNN出色的特征提取能力和GRU出色的时间序列处理能力。（2）详细研究一种基本的蚱蜢优化算法（Grasshopper Optimization Algorithm,GOA）,并将量子旋转的概念引入基本蚱蜢优化算法对其进行改进。从而提出了一种混合蚱蜢优化算法（Hybrid Grasshopper Optimization Algorithm,HGOA）,随后使用HGO...
【文章来源】：上海电机学院上海市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
Sigmoid激活函数曲线图
上海电机学院硕士学位论文梯度消失的问题仍然不可避免，但总体上而言 tanh 函数的表现已经优于 sigmoid函数。tanh 函数图形如下图 2-7 所示。
图 2-7 Tanh 激活函数曲线图Fig. 2-7 Tanh activation function graph（3）池化层池化层是卷积神经网络中尤为重要的层结构，其主要的作用是逐渐地降低数据体的尺寸大小，从而降低网络中的参数量，减少计算资源的浪费，同时其压缩数据的尺寸的作用，一定程度上还能降低过拟合现象的出现，提高特征鲁棒性。
【参考文献】：
期刊论文
[1]基于小波长短期记忆网络的风电功率超短期概率预测[J]. 王朋,孙永辉,翟苏巍,候栋宸,王森. 南京信息工程大学学报(自然科学版). 2019(04)
[2]谱聚类分析下粒子群算法优化BP神经网络的风电场功率预测[J]. 张伟,茅大钧. 上海电机学院学报. 2019(02)
[3]Wind power prediction based on variational mode decomposition multi-frequency combinations[J]. Gang ZHANG,Hongchi LIU,Jiangbin ZHANG,Ye YAN,Lei ZHANG,Chen WU,Xia HUA,Yongqing WANG. Journal of Modern Power Systems and Clean Energy. 2019(02)
[4]基于C-GRU的微博谣言事件检测方法[J]. 李力钊,蔡国永,潘角. 山东大学学报(工学版). 2019(02)
[5]基于神经网络的风电短期功率预测模型研究[J]. 宿凤明,孙财新,李端开. 节能技术. 2018(06)
[6]基于NACEMD-Elman神经网络的风功率组合预测[J]. 杨楠,叶迪,周峥,鄢晶,黄禹,董邦天. 水电能源科学. 2018(09)
[7]基于改进的网格法和BA-BP-ARMA模型的风功率预测[J]. 梁涛,董玉兰. 水电能源科学. 2018(07)
[8]基于集合经验模态和深浅层学习组合的风电场功率短期预测研究[J]. 曹天行,刘三明,王致杰,刘剑,孙元存. 电测与仪表. 2018(13)
[9]基于EEMD去噪和集对理论的风功率实时预测研究[J]. 杨茂,陈郁林,魏治成. 太阳能学报. 2018(05)
[10]基于深度门控循环单元神经网络的短期风功率预测模型[J]. 牛哲文,余泽远,李波,唐文虎. 电力自动化设备. 2018(05)
博士论文
[1]基于深度神经网络的风功率日前预测与电力系统联合调度研究[D]. 雷学文.西安理工大学 2018
硕士论文
[1]基于改进型果蝇优化算法的多电源优化调度[D]. 梁嘉翔.西安理工大学 2019
[2]考虑风功率预测不确定性的水电风电联合调度[D]. 张蕾.西安理工大学 2018
[3]风电场可接入容量优化问题的研究[D]. 刘亚琳.华北水利水电大学 2018
[4]基于变分模态分解组合模型的超短期发电功率预测方法[D]. 韩奥琪.沈阳工业大学 2018
[5]基于一致性卡尔曼滤波算法的短期风速预测研究[D]. 韩林.上海电机学院 2018
[6]基于实测数据的风电场风速和风功率预测研究[D]. 秦本双.东北电力大学 2018
[7]基于风功率预测平抑风电并网波动功率的研究[D]. 郭敏.山西大学 2018
[8]基于小波变换和GRU深度神经网络的地下水位预测研究[D]. 陈睿鹤.华中科技大学 2018
[9]微电网中短期风力发电和负荷预测的研究[D]. 刘莉莎.山东大学 2018
[10]基于云计算的风电场短期风功率预测方法的研究[D]. 赵磊.内蒙古大学 2018
本文编号：3139158
【文章来源】：上海电机学院上海市
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
Sigmoid激活函数曲线图
上海电机学院硕士学位论文梯度消失的问题仍然不可避免，但总体上而言 tanh 函数的表现已经优于 sigmoid函数。tanh 函数图形如下图 2-7 所示。
图 2-7 Tanh 激活函数曲线图Fig. 2-7 Tanh activation function graph（3）池化层池化层是卷积神经网络中尤为重要的层结构，其主要的作用是逐渐地降低数据体的尺寸大小，从而降低网络中的参数量，减少计算资源的浪费，同时其压缩数据的尺寸的作用，一定程度上还能降低过拟合现象的出现，提高特征鲁棒性。
【参考文献】：
期刊论文
[1]基于小波长短期记忆网络的风电功率超短期概率预测[J]. 王朋,孙永辉,翟苏巍,候栋宸,王森. 南京信息工程大学学报(自然科学版). 2019(04)
[2]谱聚类分析下粒子群算法优化BP神经网络的风电场功率预测[J]. 张伟,茅大钧. 上海电机学院学报. 2019(02)
[3]Wind power prediction based on variational mode decomposition multi-frequency combinations[J]. Gang ZHANG,Hongchi LIU,Jiangbin ZHANG,Ye YAN,Lei ZHANG,Chen WU,Xia HUA,Yongqing WANG. Journal of Modern Power Systems and Clean Energy. 2019(02)
[4]基于C-GRU的微博谣言事件检测方法[J]. 李力钊,蔡国永,潘角. 山东大学学报(工学版). 2019(02)
[5]基于神经网络的风电短期功率预测模型研究[J]. 宿凤明,孙财新,李端开. 节能技术. 2018(06)
[6]基于NACEMD-Elman神经网络的风功率组合预测[J]. 杨楠,叶迪,周峥,鄢晶,黄禹,董邦天. 水电能源科学. 2018(09)
[7]基于改进的网格法和BA-BP-ARMA模型的风功率预测[J]. 梁涛,董玉兰. 水电能源科学. 2018(07)
[8]基于集合经验模态和深浅层学习组合的风电场功率短期预测研究[J]. 曹天行,刘三明,王致杰,刘剑,孙元存. 电测与仪表. 2018(13)
[9]基于EEMD去噪和集对理论的风功率实时预测研究[J]. 杨茂,陈郁林,魏治成. 太阳能学报. 2018(05)
[10]基于深度门控循环单元神经网络的短期风功率预测模型[J]. 牛哲文,余泽远,李波,唐文虎. 电力自动化设备. 2018(05)
博士论文
[1]基于深度神经网络的风功率日前预测与电力系统联合调度研究[D]. 雷学文.西安理工大学 2018
硕士论文
[1]基于改进型果蝇优化算法的多电源优化调度[D]. 梁嘉翔.西安理工大学 2019
[2]考虑风功率预测不确定性的水电风电联合调度[D]. 张蕾.西安理工大学 2018
[3]风电场可接入容量优化问题的研究[D]. 刘亚琳.华北水利水电大学 2018
[4]基于变分模态分解组合模型的超短期发电功率预测方法[D]. 韩奥琪.沈阳工业大学 2018
[5]基于一致性卡尔曼滤波算法的短期风速预测研究[D]. 韩林.上海电机学院 2018
[6]基于实测数据的风电场风速和风功率预测研究[D]. 秦本双.东北电力大学 2018
[7]基于风功率预测平抑风电并网波动功率的研究[D]. 郭敏.山西大学 2018
[8]基于小波变换和GRU深度神经网络的地下水位预测研究[D]. 陈睿鹤.华中科技大学 2018
[9]微电网中短期风力发电和负荷预测的研究[D]. 刘莉莎.山东大学 2018
[10]基于云计算的风电场短期风功率预测方法的研究[D]. 赵磊.内蒙古大学 2018
本文编号：3139158
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3139158.html
