基于门控循环神经网络的风电功率预测及经济调度
发布时间：2021-07-23 22:19
随着传统化石能源的日益减少,可再生能源变得越来越重要。风能作为可再生能源重要的一种形式具有巨大的开发潜力,目前已被众多国家开发利用。但风能自身具有的随机性、间歇性等特点给风电大规模并网带来诸多问题。特别是在风功率预测和电力系统经济调度这两个方面,由于两项技术发展的不完善导致风电利用率不高,风力资源的浪费。所以,对风功率预测以及电力系统的经济调度方面的研究显得尤为重要,对提高风电消纳具有现实意义。本文针对这一课题展开相关模型和方法的研究。本文提出一种基于具有自适应噪声的集合经验模态分解-深度门控循环单元神经网络-极限提升树（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise-Gated Recurrent Unit Neural Network-eXtreme Gradient Boosting,CEEMDAN-GRU-XGboost）的风电功率预测模型。为提高风电功率预测的精确度,首先模型采用信号分析技术,利用CEEDAN算法对风电功率信号进行平稳化处理,将风电信号中存在的不同尺度下的波动或变化趋势逐级分...
【文章来源】：上海电机学院上海市
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
风电功率信号 EMD 分解图
上海电机学院硕士学位论文-15-图2-2风电功率信号EEMD分解图Fig.2-2WindpowersignaldecompositiondiagrambyEEMD图2-2为原始风电功率信号经EEMD分解后的十一个固有模态分量，其中IMF1,IMF2,IMF3为高频信号。IMF4,IMF5,IMF6,IMF7为中频信号。IMF8,IMF9,IMF10,IMF11为低频信号。我们可以从图像中看出对比EMD分解，EEMD分解后的IMF数量更多且序列的频率更加平缓，分解的层次也更加的清晰，在一定程度上缓解了EMD算法中存在的模态混叠现象。减小的模态混叠现象的原因为在原始信号中加入了白噪声信号减小了异常值对EEMD算法的影响。但EEMD算法因其白噪声的加入加大了算法的计算量，且算法的效果依赖于参数的选择。
上海电机学院硕士学位论文-16-图2-3风电功率信号CEEMDAN分解图Fig.2-3WindpowersignaldecompositiondiagrambyCEEMDAN图2-3为原始风电功率信号经CEEMDAN算法分解后的固有模态分量。IMF1,IMF2,IMF3,IMF4为高频分量。IMF5,IMF6,IMF7,IMF8为中频分量。IMF9,IMF10,IMF11,IMF12为低频分量。从图中可得CEEMDAN算法的固态模态分量数量比EEMD算法分解数量要多。同时CEEMDAN算法在各个分量相加后平均每个数据与原数据相差更小，相对于EEMD算法CEEMDAN算法完备性更强。在AMD锐龙平台下CEEMDAN运算时间为14分钟43秒优于EEMD算法18分26秒，算法更具计算效率。
【参考文献】：
期刊论文
[1]基于小波变换和BP神经网络的时序风电功率预测[J]. 冯桂玲. 电力大数据. 2019(04)
[2]短期风速预测的相关方法及其应用研究[J]. 凌劲,茆美琴,李福根,张恩铭. 合肥工业大学学报(自然科学版). 2017(11)
[3]基于改进NSGA-Ⅱ的电力系统动态环境经济调度[J]. 朱志键,王杰. 电力自动化设备. 2017(02)
[4]基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模[J]. 王恺,关少卿,汪令祥,王鼎奕,崔垚. 电力系统保护与控制. 2015(02)
[5]基于加权最小绝对值的大电力系统潮流可行解优化恢复方法[J]. 陶向红,卜广全,王虹富,鲍威,郭瑞鹏. 电力系统自动化. 2014(23)
[6]基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 王贺,胡志坚,陈珍,仉梦林,贺建波,李晨. 电工技术学报. 2013(09)
[7]基于样本熵和极端学习机的超短期风电功率组合预测模型[J]. 张学清,梁军,张熙,张峰,张利,徐兵. 中国电机工程学报. 2013(25)
[8]基于碳交易的含风电系统低碳经济调度[J]. 张晓辉,闫柯柯,卢志刚,何守龙. 电网技术. 2013(10)
[9]基于改进PSO-LSSVM的风电场短期功率预测[J]. 余健明,马小津,倪峰,王小星. 西安理工大学学报. 2013(02)
[10]基于主成分分析与人工神经网络的风电功率预测[J]. 周松林,茆美琴,苏建徽. 电网技术. 2011(09)
博士论文
[1]差分进化算法及其在电力系统调度优化中的应用研究[D]. 孙成富.华中科技大学 2010
硕士论文
[1]基于改进粒子群算法的含风电场电力系统经济调度的研究[D]. 房鑫堃.哈尔滨理工大学 2017
[2]基于碳交易的含风电电力系统经济调度模型与算法[D]. 刘卫东.山东大学 2016
[3]基于多目标优化的含风电场电力系统环境经济调度研究[D]. 李鹏波.山东大学 2015
本文编号：3300146
【文章来源】：上海电机学院上海市
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
风电功率信号 EMD 分解图
上海电机学院硕士学位论文-15-图2-2风电功率信号EEMD分解图Fig.2-2WindpowersignaldecompositiondiagrambyEEMD图2-2为原始风电功率信号经EEMD分解后的十一个固有模态分量，其中IMF1,IMF2,IMF3为高频信号。IMF4,IMF5,IMF6,IMF7为中频信号。IMF8,IMF9,IMF10,IMF11为低频信号。我们可以从图像中看出对比EMD分解，EEMD分解后的IMF数量更多且序列的频率更加平缓，分解的层次也更加的清晰，在一定程度上缓解了EMD算法中存在的模态混叠现象。减小的模态混叠现象的原因为在原始信号中加入了白噪声信号减小了异常值对EEMD算法的影响。但EEMD算法因其白噪声的加入加大了算法的计算量，且算法的效果依赖于参数的选择。
上海电机学院硕士学位论文-16-图2-3风电功率信号CEEMDAN分解图Fig.2-3WindpowersignaldecompositiondiagrambyCEEMDAN图2-3为原始风电功率信号经CEEMDAN算法分解后的固有模态分量。IMF1,IMF2,IMF3,IMF4为高频分量。IMF5,IMF6,IMF7,IMF8为中频分量。IMF9,IMF10,IMF11,IMF12为低频分量。从图中可得CEEMDAN算法的固态模态分量数量比EEMD算法分解数量要多。同时CEEMDAN算法在各个分量相加后平均每个数据与原数据相差更小，相对于EEMD算法CEEMDAN算法完备性更强。在AMD锐龙平台下CEEMDAN运算时间为14分钟43秒优于EEMD算法18分26秒，算法更具计算效率。
【参考文献】：
期刊论文
[1]基于小波变换和BP神经网络的时序风电功率预测[J]. 冯桂玲. 电力大数据. 2019(04)
[2]短期风速预测的相关方法及其应用研究[J]. 凌劲,茆美琴,李福根,张恩铭. 合肥工业大学学报(自然科学版). 2017(11)
[3]基于改进NSGA-Ⅱ的电力系统动态环境经济调度[J]. 朱志键,王杰. 电力自动化设备. 2017(02)
[4]基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模[J]. 王恺,关少卿,汪令祥,王鼎奕,崔垚. 电力系统保护与控制. 2015(02)
[5]基于加权最小绝对值的大电力系统潮流可行解优化恢复方法[J]. 陶向红,卜广全,王虹富,鲍威,郭瑞鹏. 电力系统自动化. 2014(23)
[6]基于集合经验模态分解和小波神经网络的短期风功率组合预测[J]. 王贺,胡志坚,陈珍,仉梦林,贺建波,李晨. 电工技术学报. 2013(09)
[7]基于样本熵和极端学习机的超短期风电功率组合预测模型[J]. 张学清,梁军,张熙,张峰,张利,徐兵. 中国电机工程学报. 2013(25)
[8]基于碳交易的含风电系统低碳经济调度[J]. 张晓辉,闫柯柯,卢志刚,何守龙. 电网技术. 2013(10)
[9]基于改进PSO-LSSVM的风电场短期功率预测[J]. 余健明,马小津,倪峰,王小星. 西安理工大学学报. 2013(02)
[10]基于主成分分析与人工神经网络的风电功率预测[J]. 周松林,茆美琴,苏建徽. 电网技术. 2011(09)
博士论文
[1]差分进化算法及其在电力系统调度优化中的应用研究[D]. 孙成富.华中科技大学 2010
硕士论文
[1]基于改进粒子群算法的含风电场电力系统经济调度的研究[D]. 房鑫堃.哈尔滨理工大学 2017
[2]基于碳交易的含风电电力系统经济调度模型与算法[D]. 刘卫东.山东大学 2016
[3]基于多目标优化的含风电场电力系统环境经济调度研究[D]. 李鹏波.山东大学 2015
本文编号：3300146
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3300146.html
