基于改进深度置信网络的风电场短期功率组合预测研究
发布时间：2021-11-27 07:20
随着一次能源的渐渐枯竭和传统的火力发电对环境的污染越来越严重,可再生能源的有效利用越来越受到人们的重视。风力发电作为一种无污染、可再生和资源丰富的清洁能源,对调整能源结构、保护生态环境发挥着重要作用。然而风能具有随机性与波动性,导致风电场的出力情况不易掌握。因此需要研究风电场功率预测的关键技术,以保证电力系统稳定运行。主要工作内容如下:首先,本文以张北某风电场为研究对象,分析了风力发电的特性,定性的讨论了风功率和风速、风向、温度、湿度、气压的关系,确定了预测模型的输入向量;根据该风电场提供的风电场数据和气象数据,提取有价值数据信息,为了保证数据的有效性需要对采集的数据进行预处理;采用归一化方法对输入向量进行处理,消除量纲的影响;采用加权法对输入向量进行处理,提高重要影响因素对风功率的影响程度,从而提高预测精度。其次,本文针对传统的深度置信网络（Deep Belief Network,DBN）在训练过程中时间过长和易陷入局部最优问题,分析了该问题的原因,找出问题所在;采用模拟退火算法对DBN结构的初始参数和输入特征向量进行寻优,以减少该网络模型在训练过程中的振荡次数和提高数据的特征提取能...
【文章来源】：石家庄铁道大学河北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
一，R毗y盯
为( )( )( ( θ))θθexp,;1v , hEvhZP = )和式(3-6)联立得到概率分布式(3-7)( )( ) = + + = ===nimjjjniiimjjijihvavbhZP1 111exp1, ωθθv h)在给定隐藏层 h 的条件下，可以确定可视层的概率( ) = = +=mjijjiPvha1i1 |σωθh 视层 v 的条件下，可以确定隐含层的概率为( ) = = +=niijijPhvb1j1 |σωθv ( x)+ 1exp1表示 sigmoid 函数，其函数的特征曲线如
Reconstruction Error)表示。重构误差可以反映 RBM 对训练样本的似然度，但是完全可靠。由于计算较简单，因此在实践中较常用。另外还有一种叫退火式要性抽样也可计算 RBM 对训练数据的似然度[43]。.2.3 深度置信网络深度置信网络(Deep Belief Network, DBN)是一种概率生成模型，由多个限制尔兹曼机组成的多隐含层的神经网络。该模型是生成模型与判别模型的组合成模型将 RBM 的层层叠加，使 DBN 模型能从输入数据中逐层提取特征，获一些高层次的表达；判别模型是有监督的神经网络模型，完成分类或预测。通过堆叠任意层数的 RBM 模型，并采用无监督的逐层训练的方式进行训练模型是深度玻尔兹曼机(Deep Boltzmann Machine, DBM)模型，以三层的 DBM例，其结构图如图 3-3 所示。第一步将可视层 v 和隐藏层 h1设为 RBM1，可层作为输入层，利用 CD-k 算法进行无监督训练，得到 RBM1 的结构参数并固；第二步将隐藏层 h1作为 RBM2 的可视层，仍然采用 CD-k 算法进行无监督练，得到 RBM2 模型的结构参数并固定；同理得到 RBM3 的结构参数并固定。
【参考文献】：
期刊论文
[1]基于VMD-IGWO-SVM的风电功率超短期预测研究[J]. 沈岳峰,都洪基. 电工电气. 2019(01)
[2]基于多重离群点平滑转换自回归模型的短期风电功率预测[J]. 陈昊,张建忠,许超,谭风雷. 电力系统保护与控制. 2019(01)
[3]基于C#和Matlab混合编程的轴承故障诊断系统[J]. 刘亚,王静,田新诚. 计算机应用. 2018(S2)
[4]基于聚类分析和神经网络的短期风电功率预测[J]. 李春涛. 电气开关. 2018(06)
[5]关于提高中长期风功率预测准确性的研究[J]. 刘克华. 电子元器件与信息技术. 2018(10)
[6]能源结构随能源需求增长而持续多样化——2018年世界能源统计年鉴解读[J]. 钱伯章,李敏. 中国石油和化工经济分析. 2018(08)
[7]基于模拟退火算法优化的BP神经网络预测模型[J]. 蒋美云. 软件工程. 2018(07)
[8]基于经验模态分解的PSO-SVM风电功率短期预测[J]. 田淑慧,于惠钧,赵巧红,李林. 湖南工业大学学报. 2018(03)
[9]一种改进的深度置信网络在交通流预测中的应用[J]. 赵庶旭,崔方. 计算机应用研究. 2019(03)
[10]基于自适应学习率的深度信念网设计与应用[J]. 乔俊飞,王功明,李晓理,韩红桂,柴伟. 自动化学报. 2017(08)
博士论文
[1]含风电场的电力系统功率预测与优化调度研究[D]. 李天.华北电力大学(北京) 2018
[2]风电短期预测及其并网调度方法研究[D]. 王扬.浙江大学 2011
硕士论文
[1]基于多层感知器与支持向量机的风电功率预测模型研究[D]. 由静.山东大学 2018
[2]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
[3]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
[4]风电场的储能配置与日前出力计划上报策略研究[D]. 张鹏.山东大学 2018
[5]基于决策树理论的大规模风电场输出功率超短期预测研究[D]. 翟冠强.东北电力大学 2018
[6]基于深度置信网络的城市道路交通流预测研究[D]. 崔方.兰州交通大学 2018
[7]储能系统能量管理策略研究及MATLAB与C#混合编程软件实现[D]. 罗煜.北京交通大学 2018
[8]锦州风电场的风功率预测及无功优化方法研究[D]. 谷雨.华北电力大学 2018
[9]大型风电场短期风功率预测研究[D]. 勾海芝.华北电力大学 2018
[10]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
本文编号：3521803
【文章来源】：石家庄铁道大学河北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
一，R毗y盯
为( )( )( ( θ))θθexp,;1v , hEvhZP = )和式(3-6)联立得到概率分布式(3-7)( )( ) = + + = ===nimjjjniiimjjijihvavbhZP1 111exp1, ωθθv h)在给定隐藏层 h 的条件下，可以确定可视层的概率( ) = = +=mjijjiPvha1i1 |σωθh 视层 v 的条件下，可以确定隐含层的概率为( ) = = +=niijijPhvb1j1 |σωθv ( x)+ 1exp1表示 sigmoid 函数，其函数的特征曲线如
Reconstruction Error)表示。重构误差可以反映 RBM 对训练样本的似然度，但是完全可靠。由于计算较简单，因此在实践中较常用。另外还有一种叫退火式要性抽样也可计算 RBM 对训练数据的似然度[43]。.2.3 深度置信网络深度置信网络(Deep Belief Network, DBN)是一种概率生成模型，由多个限制尔兹曼机组成的多隐含层的神经网络。该模型是生成模型与判别模型的组合成模型将 RBM 的层层叠加，使 DBN 模型能从输入数据中逐层提取特征，获一些高层次的表达；判别模型是有监督的神经网络模型，完成分类或预测。通过堆叠任意层数的 RBM 模型，并采用无监督的逐层训练的方式进行训练模型是深度玻尔兹曼机(Deep Boltzmann Machine, DBM)模型，以三层的 DBM例，其结构图如图 3-3 所示。第一步将可视层 v 和隐藏层 h1设为 RBM1，可层作为输入层，利用 CD-k 算法进行无监督训练，得到 RBM1 的结构参数并固；第二步将隐藏层 h1作为 RBM2 的可视层，仍然采用 CD-k 算法进行无监督练，得到 RBM2 模型的结构参数并固定；同理得到 RBM3 的结构参数并固定。
【参考文献】：
期刊论文
[1]基于VMD-IGWO-SVM的风电功率超短期预测研究[J]. 沈岳峰,都洪基. 电工电气. 2019(01)
[2]基于多重离群点平滑转换自回归模型的短期风电功率预测[J]. 陈昊,张建忠,许超,谭风雷. 电力系统保护与控制. 2019(01)
[3]基于C#和Matlab混合编程的轴承故障诊断系统[J]. 刘亚,王静,田新诚. 计算机应用. 2018(S2)
[4]基于聚类分析和神经网络的短期风电功率预测[J]. 李春涛. 电气开关. 2018(06)
[5]关于提高中长期风功率预测准确性的研究[J]. 刘克华. 电子元器件与信息技术. 2018(10)
[6]能源结构随能源需求增长而持续多样化——2018年世界能源统计年鉴解读[J]. 钱伯章,李敏. 中国石油和化工经济分析. 2018(08)
[7]基于模拟退火算法优化的BP神经网络预测模型[J]. 蒋美云. 软件工程. 2018(07)
[8]基于经验模态分解的PSO-SVM风电功率短期预测[J]. 田淑慧,于惠钧,赵巧红,李林. 湖南工业大学学报. 2018(03)
[9]一种改进的深度置信网络在交通流预测中的应用[J]. 赵庶旭,崔方. 计算机应用研究. 2019(03)
[10]基于自适应学习率的深度信念网设计与应用[J]. 乔俊飞,王功明,李晓理,韩红桂,柴伟. 自动化学报. 2017(08)
博士论文
[1]含风电场的电力系统功率预测与优化调度研究[D]. 李天.华北电力大学(北京) 2018
[2]风电短期预测及其并网调度方法研究[D]. 王扬.浙江大学 2011
硕士论文
[1]基于多层感知器与支持向量机的风电功率预测模型研究[D]. 由静.山东大学 2018
[2]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
[3]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
[4]风电场的储能配置与日前出力计划上报策略研究[D]. 张鹏.山东大学 2018
[5]基于决策树理论的大规模风电场输出功率超短期预测研究[D]. 翟冠强.东北电力大学 2018
[6]基于深度置信网络的城市道路交通流预测研究[D]. 崔方.兰州交通大学 2018
[7]储能系统能量管理策略研究及MATLAB与C#混合编程软件实现[D]. 罗煜.北京交通大学 2018
[8]锦州风电场的风功率预测及无功优化方法研究[D]. 谷雨.华北电力大学 2018
[9]大型风电场短期风功率预测研究[D]. 勾海芝.华北电力大学 2018
[10]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
本文编号：3521803
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3521803.html
