基于动态建模的短期风电功率预测

发布时间：2017-05-12 06:12

  本文关键词：基于动态建模的短期风电功率预测，由笔耕文化传播整理发布。

【摘要】：随着风电行业在我国不断发展,风力发电占电力系统的比例也越来越大,但是由于风能不稳定的特点使得风电功率呈现波动性和间歇性,这样大规模并网时会对电力系统安全造成很大影响。因此提高功率预测的动态性和准确性对电力系统的调度和安全性有重要的意义。本文通过研究现有预测方法的优缺点,提出一种改进的风电功率预测模型,具体研究内容如下:一、结合风能的特点说明影响风电功率的相关因素,根据风电场数据对风速和风向进行规律统计,为预测模型输入向量的确定提供指导。二、对Elman动态神经网络进行研究,为了提高预测精度和预测模型的动态性,对Elman网络的结构和激励函数进行改进,并利用局部均值分解法(Local mean decomposition,LMD)对输入数据进行分解,建立LMD-Elman的短期动态功率预测模型并运用工程实例对预测模型进行验证。三、针对人工蜂群算法易陷入局部最优的缺点,提出一种自适应柯西蜂群算法,运用测试函数对自适应柯西蜂群算法进行测试和收敛性分析,并将该蜂群算法应用于风电功率预测中,工程实例仿真结果表明,自适应柯西蜂群算法提高了风电功率的预测精度。四、在以上研究的基础上,运用自适应柯西蜂群算法优化回归神经网络(Nonlinear Auto Regressive Neural Network with Exogenous Inputs,NARX网络)和BP神经网络模型的权值参数,从而建立一种组合动态预测模型,并将Labview与MATLAB进行混合编程来实现系统的控制与预测,该方法不仅减少了程序代码的设计,而且使得编程变得图形化可视化,降低了开发难度。
【关键词】：风电功率 Elman动态神经网络 人工蜂群算法 组合预测
【学位授予单位】：上海电机学院
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 绪论12-22
• 1.1 课题研究背景及意义12-14
• 1.2 风电功率预测研究概况14-17
• 1.2.1 国内外研究现状14-15
• 1.2.2 风电功率预测方法分类15-17
• 1.3 风电功率预测技术17-21
• 1.3.1 风电功率预测流程17-18
• 1.3.2 功率预测评价指标18-19
• 1.3.3 预测模型优化方法简介19-21
• 1.4 论文的主要内容与章节安排21-22
• 第二章 风功率数据预处理与规律统计22-31
• 2.1 引言22
• 2.2 数据预处理技术22-24
• 2.3 数据的影响因素24-26
• 2.4 风电场数据规律统计26-30
• 2.4.1 风速变化规律26-28
• 2.4.2 风向统计规律28-30
• 2.5 本章小结30-31
• 第三章 基于LMD-Elman的动态预测模型31-43
• 3.1 引言31
• 3.2 局部均值分解法31-32
• 3.3 Elman神经网络及其算法原理32-35
• 3.3.1 Elman神经网络33-34
• 3.3.2 Elman算法原理34-35
• 3.4 改进的Elman神经网络35-38
• 3.4.1 网络结构的改进35-37
• 3.4.2 激励函数的改进37-38
• 3.5 基于LMD-Elman预测模型的工程实例分析38-42
• 3.5.1 预测模型建立38-39
• 3.5.2 工程实例验证39-42
• 3.6 本章小结42-43
• 第四章 自适应柯西蜂群算法及其在风电功率预测中的应用43-58
• 4.1 引言43
• 4.2 人工蜂群算法43-44
• 4.3 自适应柯西蜂群算法44-53
• 4.3.1 搜索步长的自适应调整44-45
• 4.3.2 侦查蜂根据柯西分布搜索新解45-46
• 4.3.3 自适应柯西蜂群算法验证与分析46-49
• 4.3.4 算法收敛性分析49-53
• 4.4 自适应柯西蜂群算法在风电功率预测中的应用53-57
• 4.4.1 基于ACMABC-SVM风电功率预测模型53-54
• 4.4.2 支持向量机回归模型54-55
• 4.4.3 工程实例分析55-57
• 4.5 本章小结57-58
• 第五章 基于自适应柯西蜂群算法的组合动态预测模型58-70
• 5.1 引言58
• 5.2 基于ACMABC算法组合预测模型58-64
• 5.2.1 组合预测模型58-59
• 5.2.2 NARX神经网络59-60
• 5.2.3 基于ACMABC算法组合预测模型的工程实例验证60-64
• 5.3 Labview中实现ACMABC组合预测64-66
• 5.3.1 Labview概述64
• 5.3.2 MATLAB64-65
• 5.3.3 调用MATLAB脚本节点65
• 5.3.4 实验结果65-66
• 5.4 工程应用66-68
• 5.5 本章小结68-70
• 第六章 总结与展望70-72
• 6.1 全文总结70
• 6.2 进一步研究展望70-72
• 参考文献72-77
• 附录1自适应柯西蜂群算法matlab源程序77-83
• 致谢83-84
• 攻读硕士学位期间取得的研究成果84

【相似文献】

中国期刊全文数据库 前10条

1 傅鹂，，裴小兵;一种指数型动态神经网络的定性分析[J];重庆大学学报(自然科学版);1996年06期

2 黄金泉,孙健国;非线性系统的动态神经网络自适应辨识[J];南京航空航天大学学报;1999年03期

3 诸勇,钱积新;基于鲁棒稳定高阶动态神经网络的非线性系统的辨识[J];浙江大学学报(工学版);2001年01期

4 樊春霞;利用动态神经网络产生混沌系统[J];盐城工学院学报(自然科学版);2005年03期

5 刘耀年;杨德友;庞松岭;刘岱;;基于经验模态分解与动态神经网络的短期负荷预测[J];电工电能新技术;2008年03期

6 徐立新，董春雷，王常虹;动态神经网络的稳定性分析[J];航天控制;1996年03期

7 邱小平,闵林,李海明,徐扬;基于动态神经网络的经典逻辑公式计算方法[J];武汉理工大学学报(交通科学与工程版);2003年06期

8 易建钢;陈奎生;;集成动态神经网络及其在冶金风机智能诊断系统中的应用[J];噪声与振动控制;2007年05期

9 张国萍,曹柳林;用动态神经网络解决粘度预测的方法[J];北京化工大学学报(自然科学版);1999年03期

10 陈涛;王立勇;徐小力;;基于模糊动态神经网络的点火系统故障诊断[J];北京信息科技大学学报(自然科学版);2013年04期

中国重要会议论文全文数据库 前5条

1 黄西士;吴沧浦;;一种用于跟踪控制的动态神经网络[A];1993中国控制与决策学术年会论文集[C];1993年

2 诸勇;钱积新;;基于鲁棒稳定高阶动态神经网络的非线性系统的辨识[A];1998年中国控制会议论文集[C];1998年

3 项n\伍;;自适应动态神经网络控制感应电机系统[A];2003年中国智能自动化会议论文集（上册）[C];2003年

4 郝悍勇;张宇;孙增圻;;一种基于UIO和动态神经网络的复合故障诊断方法[A];2005年中国智能自动化会议论文集[C];2005年

5 刘耀年;赵明宇;王震宇;;基于动态神经网络的电力系统短期负荷在线预测研究[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（中册）[C];2008年

中国博士学位论文全文数据库 前2条

1 麦欢欢;非线性的耦合系统一致性问题研究[D];重庆大学;2012年

2 范剑超;微粒群优化算法与动态神经网络建模预测研究[D];大连理工大学;2012年

中国硕士学位论文全文数据库 前10条

1 陈雯吉;基于主成分分析和NARX动态神经网络的股市情绪指数构建与预测[D];兰州大学;2016年

2 张鑫;基于动态建模的短期风电功率预测[D];上海电机学院;2016年

3 谭晓惠;动态神经网络的稳定性研究及应用[D];西南交通大学;2002年

4 吕琪;基于动态神经网络的交通事件检测算法[D];浙江大学;2003年

5 王颖;基于动态神经网络的系统建模理论及优化技术研究[D];东北石油大学;2011年

6 赵晨;动态神经网络在量化投资预测中的应用[D];复旦大学;2014年

7 张明;基于改进动态神经网络的股票预测模型的研究[D];内蒙古大学;2014年

8 郑伟范;动态神经网络的定性分析[D];西南交通大学;2004年

9 尹嵩;基于动态神经网络的支持向量机的FPGA实现[D];西安理工大学;2009年

10 田玉松;动态神经网络与分数阶Fourier变换的研究及其应用[D];大连理工大学;2006年

  本文关键词：基于动态建模的短期风电功率预测，由笔耕文化传播整理发布。

本文编号：358958