基于混合优化模型风速预测的研究

发布时间：2021-05-21 11:17

　　随着化石燃料等传统资源的日益枯竭以及环境污染的日益严重,世界各国都在寻找清洁能源,而风能作为一种可再生能源引起了能源界的高度重视。海洋拥有大量的风能资源,近年来,海洋风力发电已经趋于成熟,风速是风能发电评估的关键内容,但风速容易受到障碍物和地形等因素的影响变得不稳定,而且随着高度的变化,风速也相应的发生变化,因此对风速进行准确的预测具有挑战性。大多数学者研究的重点是提高预测的精确性或稳定性,而忽略了同时提高的重要性。因此本文提出一种混合模型可以有效的提高风速预测的精确性和稳定性,从而减轻或避免风电场对电力系统的不利影响。本文提出了一种新的混合优化模型用于风速的预测和研究,包括有效的双分解数据处理算法,组合预测算法,灰狼优化算法以及有效的评价方法。在该研究中双分解数据处理算法（LMD-VMD）将原始风速数据分解为一系列模态函数（IMF）。采用偏自相关函数（PACF）选择输入变量的BP神经网络,极限学习机（ELM）以及Elman神经网络分别对这些子序列的训练集和测试集预测并加和集成,将三个预测算法预测到的结果作为灰狼优化算法优化的支持向量回归（SVR）的输入进行预测。为了验证本文提出的模型... 

【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校

【文章页数】：50 页

【学位级别】：硕士

【文章目录】：
中文摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 国内外研究方法总结
    1.4 本文混合模型介绍及创新点
    1.5 文章结构介绍
第二章 基本方法和模型构建
    2.1 LMD算法
        2.1.1 LMD算法的理论介绍
        2.1.2 基于近似熵的快速计算算法
    2.2 VMD算法
        2.2.1 VMD基本算法
        2.2.2 VMD算法的求解
        2.2.3 基于相关系数确定VMD分解模态的个数
    2.3 灰狼优化算法
        2.3.1 灰狼优化算法的理论介绍
        2.3.2 灰狼优化算法的步骤
    2.4 偏自相关函数(PACF)
    2.5 BP神经网络
    2.6 极限学习机(ELM)
    2.7 Elman神经网络
    2.8 支持向量回归(SVR)
        2.8.1 SVR的学习算法
        2.8.2 基于灰狼优化算法(GWO)的支持向量回归(SVR)的优化
    2.9 混合模型的提出和构建过程
第三章 实证分析
    3.1 数据信息
    3.2 模型评价指标
    3.3 实验结果及不同模型的比较分析
        3.3.1 两步分解
        3.3.2 实验一及模型对比
        3.3.3 实验二及模型对比
第四章 结论
    4.1 结论
    4.2 不足和展望
参考文献
致谢


【参考文献】：
期刊论文
[1]灰色模型在采油井管材腐蚀速率预测中的应用[J]. 任南南,商永滨,陈军斌,李帅.  热加工工艺. 2020(04)
[2]基于Elman神经网络的湖北省固定资产投资额预测[J]. 舒服华.  广东培正学院论丛. 2019(04)
[3]自回归模型偏自相关函数截尾性检验[J]. 赵志文,杨慧超,彭毳鑫.  统计与决策. 2019(08)
[4]基于相空间重构及Elman网络-灰狼优化的短期风速预测[J]. 李圣清,邓曦.  新型工业化. 2019(02)
[5]基于指数平滑法的高考人数预测研究[J]. 汤仕琦.  财会学习. 2019(04)
[6]碾压混凝土坝层面抗剪断强度的人工神经网络与模糊逻辑系统预测[J]. 申嘉荣,徐千军.  清华大学学报(自然科学版). 2019(05)
[7]基于LMD近似熵和PSO-ELM的齿轮箱故障诊断[J]. 张玉学,潘宏侠.  机械传动. 2017(08)
[8]近似熵、互近似熵的性质、快速算法及其在脑电与认知研究中的初步应用[J]. 洪波,唐庆玉,杨福生,陈天祥.  信号处理. 1999(02)

博士论文
[1]人工免疫系统在非线性系统辨识与预测控制中的应用研究[D]. 龚固丰.湖南大学 2009



本文编号：3199610