基于人工智能的短期风电功率组合预测研究

发布时间：2017-04-26 04:10

  本文关键词：基于人工智能的短期风电功率组合预测研究，由笔耕文化传播整理发布。

【摘要】：随着社会和经济的快速发展,传统的化石燃料已不能满足人们对能源的需求,可再生能源的发展已经成为各国关注的焦点,其中,风力发电的关注程度最高。近几年,我国风力发电发展速度惊人,据能源局统计,2015年的风力发电量占总发电量的比例是3.3%。随着风力发电所占比重的持续增加,风电并网给电网的安全稳定运行及电力调度带来了严重影响,准确地短期风电功率预测能够有效地解决这些问题。因此,研究风电功率短期预测具有重要的意义。(1)从短期风电功率预测的基本方法、误差分析和机制流程三方面对短期风电功率预测的基本理论进行了介绍。然后,分别采用基于相似日法和最小二乘支持向量机(LS-SVM)法的短期风电功率预测方法进行了实例分析,结果表明运用LS-SVM法得到的预测结果的误差要小于运用相似日法得到的预测值的误差。(2)为克服传统聚类算法局部寻优的缺陷,基于改进的模糊C-均值聚类算法,提出了一种综合聚类算法,并将其运用到RBF神经网络中心的确定上,进而给出了一种基于RBF神经网络的短期风电功率预测方法。最后,采用该RBF神经网络法进行了短期风电功率预测的实例分析,预测结果表明,本文给出的基于RBF神经网络的风电功率预测方法能够有效提高预测精度。(3)针对单项预测方法的局限性,介绍了两种基本组合预测方法,并基于灰色关联度的IOWGA算子组合预测方法,给出了一种短期风电功率最优组合预测方法。最后,将上文给出的RBF神经网络法、相似日法和LS-SVM法作为单项预测方法,运用所提出的最优组合预测方法和两种基本组合预测方法进行了短期风电功率预测的实例分析,结果表明,风电功率最优组合预测方法能够有效地集成各单项预测的信息,从而达到改善风电功率预测精度的目的。
【关键词】：风电功率 短期预测 RBF神经网络 IOWGA算子 组合预测
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-16
• 1.1 课题研究背景及意义11
• 1.2 国内外研究现状11-14
• 1.2.1 国外研究现状11-13
• 1.2.2 国内研究现状13-14
• 1.3 本文研究的内容14-16
• 第2章 短期风电功率预测16-32
• 2.1 短期风电功率预测的基本方法16-19
• 2.1.1 物理预测方法16-17
• 2.1.2 统计预测方法17-19
• 2.2 短期风电功率预测误差分析19-22
• 2.2.1 预测误差产生的原因19-20
• 2.2.2 提高预测准确度的手段20-21
• 2.2.3 预测误差的评价指标21-22
• 2.3 短期风电功率预测机制的流程22-24
• 2.4 基于两种既有人工智能的短期风电功率预测方法24-31
• 2.4.1 基于相似日法的短期风电功率预测25-26
• 2.4.2 基于LS-SVM法的短期风电功率预测26-29
• 2.4.3 预测结果及分析29-31
• 2.5 本章小结31-32
• 第3章 基于RBF神经网络法的短期风电功率预测32-43
• 3.1 RBF神经网络32-33
• 3.1.1 RBF神经网络的基本理论32-33
• 3.1.2 训练及学习33
• 3.2 基于改进模糊C-均值聚类算法的综合聚类算法33-39
• 3.2.1 改进模糊C-均值聚类算法33-38
• 3.2.2 综合聚类算法38-39
• 3.3 基于RBF神经网络的短期风电功率预测分析39-42
• 3.3.1 基于RBF神经网络的短期风电功率预测方法39-40
• 3.3.2 预测结果及分析40-42
• 3.4 本章小结42-43
• 第4章 短期风电功率的组合预测43-56
• 4.1 组合预测基本理论43-46
• 4.1.1 组合预测的原理及意义43-44
• 4.1.2 组合预测的影响因素44
• 4.1.3 组合预测的基本方法44-46
• 4.2 短期风电功率的最优组合预测46-51
• 4.2.1 IOWGA算子46-47
• 4.2.2 基于灰关联度的IOWGA算子的组合预测方法47-48
• 4.2.3 短期风电功率的最优组合预测方法48-51
• 4.3 组合预测结果及对比分析51-55
• 4.3.1 组合预测结果及分析51-54
• 4.3.2 不同方法预测效果对比分析54-55
• 4.4 本章小结55-56
• 结论与展望56-58
• 致谢58-59
• 参考文献59-64
• 攻读硕士学位期间发表的论文及科研成果64

【相似文献】

中国期刊全文数据库 前10条

1 张疆涌;;综合权组合预测[J];硅谷;2009年24期

2 刘延平;邵悦然;李卫东;;我国铁路客运量的组合预测[J];物流技术;2010年07期

3 柴元春;;我国能源总产量的组合预测[J];赤峰学院学报(自然科学版);2011年04期

4 孙李红;;基于灰色组合预测的国内债券余额预测[J];哈尔滨商业大学学报(自然科学版);2012年02期

5 周伟,王建军,武常吉,刘洪;陕西省国民经济发展的组合预测研究[J];西安公路交通大学学报;1997年03期

6 肖智,李春红,李潆兵,钟波;遗传算法在经济混沌组合预测中的应用[J];重庆大学学报(自然科学版);2002年11期

7 夏明雷,刘澜;社会经济发展的组合预测研究[J];交通科技与经济;2005年03期

8 张磊;郑丕谔;;物资招标采购中组合预测的线性规划方法[J];工业工程;2007年01期

9 杜云飞;陈孟野;高永献;;基于神经网络的一种组合预测的构建与应用[J];河南工程学院学报(自然科学版);2010年02期

10 田光理;苑红伟;牛德宁;;基于粗糙集理论的短时交通流组合预测研究[J];道路交通与安全;2010年02期

中国重要会议论文全文数据库 前9条

1 孙将平;叶志斌;季永青;;浙江省水路货运量最优组合预测[A];第六届长三角科技论坛航运分论坛暨江苏省航海学会2009年学术年会论文集[C];2009年

2 刘平;张莉;马秀兰;;乌鲁木齐市农、林、牧、渔业总产值的组合预测研究[A];Systems Engineering, Systems Science and Complexity Research--Proceeding of 11th Annual Conference of Systems Engineering Society of China[C];2000年

3 李国锋;陈绪根;;山东省劳动力就业需求组合预测研究[A];21世纪数量经济学（第9卷）[C];2008年

4 田瑾;项静恬;陈殿斌;;多种时间序列建模及组合预测的比较和改进[A];中国现场统计研究会第九届学术年会论文集[C];1999年

5 李存金;;简单平均法下的最优组合预测问题研究[A];管理科学与系统科学进展——全国青年管理科学与系统科学论文集（第3卷）[C];1995年

6 刘茂余;于丽英;;一种组合预测新方法的研究[A];中国运筹学会第九届学术交流会论文集[C];2008年

7 樊英;张秋菊;;工业增加值预测系统的分析设计[A];中国企业运筹学[C];2006年

8 吴登生;李建平;孙晓蕾;;考虑模型相关性的组合预测过程中单项模型筛选研究[A];中国系统工程学会第十八届学术年会论文集——A02管理科学[C];2014年

9 吴文东;吴刚;魏一鸣;范英;;基于相关系数的钢材需求量组合预测[A];第十届中国管理科学学术年会论文集[C];2008年

中国博士学位论文全文数据库 前5条

1 刘启浩;风险值组合预测的理论与实证[D];北京工业大学;2009年

2 蒋传进;基于模型遴选规则的自适应组合预测研究[D];东华大学;2014年

3 郭晓君;灰色自忆性组合预测拓展模型及应用研究[D];南京航空航天大学;2015年

4 谭泗桥;支持向量回归机的改进及其在植物保护中的应用[D];湖南农业大学;2008年

5 王富强;风电场短期风速预测及模拟的理论与方法研究[D];华北电力大学;2013年

中国硕士学位论文全文数据库 前10条

1 马艳玲;组合预测在医药流通企业销售预测中的应用研究[D];华南理工大学;2015年

2 陈嵩;组合预测技术及其在功率预测中的应用[D];华北电力大学;2015年

3 郭二凤;ATM现金流预测的研究[D];辽宁科技大学;2015年

4 施艳春;基于非线性时间序列和神经网络的风电功率短期预测[D];沈阳工业大学;2016年

5 王克楠;基于关联特性分析的铁路事故数据挖掘及预测、预警方法研究[D];北京交通大学;2016年

6 马斌;基于人工智能的短期风电功率组合预测研究[D];西南交通大学;2016年

7 叶晨;风电功率组合预测研究[D];华北电力大学（北京）;2011年

8 丁咏梅;我国股票价格的组合预测[D];华中科技大学;2005年

9 王庆庆;我国国内石油供给的组合预测研究[D];浙江工商大学;2006年

10 高放;组合预测研究及其在交通流量预测中的应用[D];山东科技大学;2008年

  本文关键词：基于人工智能的短期风电功率组合预测研究，由笔耕文化传播整理发布。

，

本文编号：327692