基于深度学习的风功率预测模型的研究

发布时间：2022-07-12 17:35

　　风电场功率预测系统用于预测风力发电场未来一段时间的发电能力,便于电网进行电力调度,该系统是风电场并网发电的必要条件。目前,国内大部分的功率预测系统的预测精度都无法达到电网调度中心的要求。为了提高风电场功率预测的精度,对深度学习在功率预测模型中的应用展开研究,从数据质量控制、数值气象预报匹配、功率预测模型的设计等角度减小功率预测模型的误差。此外,针对部分风电场冬季风机凝冻无法发电的问题,提出基于长短期记忆网络的风机凝冻预测方法,该研究成果可提升风电场发电能力,有较高的实际应用价值。主要研究内容包括以下几点:（1）针对风电场历史数据存在大量异常数据、缺失数据的问题,研究了包括数据异常检测和数据断点填补的数据质量控制流程。对基于长短期记忆网络（Long Short-Term Memory,LSTM）网络的数据异常检测方法进行了研究,并与多种基于机器学习算法的异常检测方法进行了实验对比;对基于多视图学习的数据填补方法进行了研究,并与传统的插值法和基于整合移动平均自回归模型（Autoregressive Integrated Moving Average model,ARIMA）预测的数据填补方... 

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
ABSTRACT
序言
1 绪论
    1.1 风电场功率预测内容简介
    1.2 风电场功率预测的预测方式
        1.2.1 基于历史数据的风电场功率预测
        1.2.2 基于数值气象预报的风电场功率预测
    1.3 风电场功率预测研究现状
        1.3.1 国外风电场功率预测研究现状
        1.3.2 国内风电场功率预测研究现状
    1.4 风电场功率预测研究的必要性
        1.4.1 国内风电场功率预测产品的不足
        1.4.2 导致国内功率预测产品落后的原因
    1.5 研究的内容和预期目标
    1.6 论文的组织结构
2 相关理论基础
    2.1 神经网络概述
    2.2 BP神经网络
        2.2.1 BP神经网络原理
        2.2.2 BP神经网络计算流程
        2.2.3 BP神经网络优势和不足
    2.3 LSTM网络
        2.3.1 RNN基本原理
        2.3.2 LSTM基本原理
        2.3.3 LSTM计算流程
    2.4 深度神经网络相关优化方法
        2.4.1 XAVIER初始化方法
        2.4.2 ADAM优化算法
        2.4.3 DROPOUT方法
        2.4.4 激活函数
    2.5 对比实验中应用的相关机器学习算法
        2.5.1 K-MEANS算法
        2.5.2 IFOREST算法
        2.5.3 ONE-CLASS SVM算法
        2.5.4 ARIMA算法
    2.6 本章小结
3 数据质量控制方法
    3.1 数据情况简介
        3.1.1 数据缺失情况统计
        3.1.2 数据异常情况统计
    3.2 基于LSTM网络的数据异常检测
        3.2.1 LSTM网络设计
        3.2.2 LSTM网络训练
        3.2.3 LSTM模型评估
        3.2.4 基于LSTM网络的数据异常检测实验结果分析
    3.3 基于多视图学习的数据填补
        3.3.1 基于多视图学习的数据填补方法基本思想
        3.3.2 基于多视图学习的数据填补实验
        3.3.3 基于多视图学习的数据填补实验结果
    3.4 本章小结
4 基于数值气象预报的风功率预测模型
    4.1 数值气象预报匹配
        4.1.1 数值气象预报匹配方法简介
        4.1.2 数值气象预报匹配实验
    4.2 基于深度神经网络的功率预测模型
        4.2.1 BP神经网络设计
        4.2.2 BP神经网络训练
        4.2.3 预测模型效果验证
    4.3 本章小结
5 基于LSTM的风机凝冻预测
    5.1 凝冻预测的原理简介
    5.2 基于LSTM的温度湿度预测模型
        5.2.1 LSTM模型设计
        5.2.2 LSTM模型训练
        5.2.3 基于LSTM的时间序列预测效果验证
    5.3 基于LSTM的温度湿度预测模型的应用
    5.4 本章小结
6 结论
参考文献
附录A
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集


【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]一种结合CNN和GRU网络的超短期风电预测模型[J]. 薛阳,王琳,王舒,张亚飞,张宁.  可再生能源. 2019(03)
[3]基于LSTM神经网络的复合变量电动汽车充电负荷预测方法技术研究[J]. 王琨,高敬更,张勇红,魏立兵,李鹏,杨春光,董智颖.  工业仪表与自动化装置. 2019(01)
[4]基于ARIMA误差修正的混合预测方法[J]. 盛秀梅,张仲荣.  洛阳理工学院学报(自然科学版). 2018(04)
[5]ARIMA模型和ARIMA-GRNN模型在AIDS发病预测中的应用[J]. 王雅文,沈忠周,严宝湖,杨银.  中华疾病控制杂志. 2018(12)
[6]基于LSTM时间序列重建的生产装置异常检测[J]. 窦珊,张广宇,熊智华.  化工学报. 2019(02)
[7]面向大数据的多维数据缺失特征填补仿真研究[J]. 李彦,刘军.  计算机仿真. 2018(10)
[8]采用长短期记忆深度学习模型的工业负荷短期预测方法[J]. 杨甲甲,刘国龙,赵俊华,文福拴,董朝阳.  电力建设. 2018(10)
[9]BP神经网络在风电场功率预测中的应用[J]. 罗恩博,苏适,陆海,刘友宽,伍阳阳,李黎,洪思源.  云南电力技术. 2018(04)
[10]基于LSTM的动态图模型异常检测算法研究[J]. 王凯,陈丹伟.  计算机工程与应用. 2019(05)

博士论文
[1]风电场功率短期预测方法研究[D]. 韩爽.华北电力大学（北京） 2008

硕士论文
[1]基于深度学习的风电功率预测方法研究[D]. 张浩.华北电力大学(北京) 2017
[2]基于深度学习网络的风电场功率预测研究及应用[D]. 潘志刚.上海电机学院 2016



本文编号：3659557