基于深度学习网络的风电场功率预测研究及应用

发布时间：2017-07-17 14:29

  本文关键词：基于深度学习网络的风电场功率预测研究及应用

  更多相关文章： 风电 功率预测 深度学习网络 组合预测 功率预测系统

【摘要】：随着我国风电装机容量的不断增长,大规模风电的接入对电网的影响越来越明显。对风电功率进行准确有效的预测能够减少风电接入对电网的不良影响,优化电网调度。可见,对风电功率预测方面的研究有着重要的现实意义。本文以上海崇明北沿风场为对象,基于深度学习网络建立了功率智能预测的模型,对该模型的实用性进行探讨,并研究该模型与其他预测模型的组合预测,最后基于该模型以及需求分析研发设计风电功率预测系统,主要做了以下四个方面的工作:1.对数值天气预报数据进行了预处理和统计分析,分析结果表明数值天气预报的风速数据与实际风速偏差较大,有必要对其进行校正。通过相关性分析得知数值天气预报风速与实际风速的关系,能够对其进行校正。2.基于深度学习网络建立了数值天气预报数据的校正模型,并将仿真计算后得到的校正数据作为功率输出模型的输入参数。基于深度学习网络建立了考虑风速、风向、温度、气压和历史功率的风机功率输出模型,通过仿真计算,预测24小时内各风机的有功输出情况。结果表明,深度学习网络比一般的多层BP网络的预测精度要高,验证了该方法的有效性。3.提出了一种新的组合预测模型,建立了基于深度学习网络模型、支持向量机模型和自回归滑动平均模型的组合预测模型,并分别与其它三种组合预测模型(支持向量机模型与自回归滑动平均模型的组合预测模型;深度学习网络模型与支持向量机模型的组合预测模型;深度学习网络模型与自回归滑动平均模型的组合预测模型)进行仿真比较:仿真结果表明,深度学习网络在组合预测中的实用性较强,预测精度较高。4.利用上海输配电集团技术中心的开发平台,参与设计了一套基于组合预测模型的风电场风电功率预测系统,该系统包括风机数据采集,核心数据库,算法程序,预测数据发布四个模块。实际运行结果表明,上述组合预测算法能提高风电场功率预测精度,验证了该组合预测的有效性。
【关键词】：风电 功率预测 深度学习网络 组合预测 功率预测系统
【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12-21
• 1.1 课题研究背景及意义12-14
• 1.2 国内外风电功率预测研究现状14-17
• 1.3 风电功率短期预测方法17-19
• 1.3.1 风电功率短期预测方法分类17-18
• 1.3.2 风电功率预测误差指标18-19
• 1.4 本文研究内容和章节安排19-21
• 第二章数据的统计规律研究及处理21-33
• 2.1 引言21
• 2.2 数据预处理21-23
• 2.3 数值天气预报数据统计规律研究23-32
• 2.3.1 数值天气预报23-24
• 2.3.2 数值天气预报数据校正24
• 2.3.3 数值天气预报风速数据分析24-31
• 2.3.4 数值天气预报风向数据分析与处理31-32
• 2.4 本章小结32-33
• 第三章建立基于深度学习网络的功率预测模型33-47
• 3.1 引言33
• 3.2 深度学习网络算法33-38
• 3.2.1 深度学习网络33-34
• 3.2.2 深度信念网络(DBN)34
• 3.2.3 限制玻尔兹曼机(RBM)模型参数分析34-36
• 3.2.4 深度信念网络的训练方法36-38
• 3.3 建立基于深度学习网络的数值天气预报校正模型38-41
• 3.3.1 建立数值天气预报校正模型38-39
• 3.3.2 实例分析39-41
• 3.4 建立基于深度学习网络的风电功率预测模型41-46
• 3.4.1 建立单台风机的风电功率预测模型41-42
• 3.4.2 基于深度学习网络的风电功率预测流程42-44
• 3.4.3 实例分析44-46
• 3.5 本章小结46-47
• 第四章基于深度学习网络功率预测模型的组合预测研究47-70
• 4.1 引言47
• 4.2 基于支持向量机的风电功率预测47-51
• 4.2.1 支持向量机47-50
• 4.2.2 建立支持向量机模型50-51
• 4.3 基于时间序列模型的风电功率预测51-62
• 4.3.1 时间序列分析方法51-52
• 4.3.2 时间序列模型建模52-62
• 4.4 基于深度学习网络模型风功率组合预测研究62-66
• 4.4.1 基于最大信息熵原理的风电功率组合预测62-63
• 4.4.2 建立基于最大信息熵原理的风电功率组合预测模型63-66
• 4.5 预测结果及误差分析66-69
• 4.6 本章小结69-70
• 第五章基于深度学习网络功率预测模型的预测系统研究70-80
• 5.1 引言70
• 5.2 需求分析和功能模块70-72
• 5.2.1 需求分析70-71
• 5.2.2 系统功能模块71-72
• 5.3 系统架构设计与工作流程72-76
• 5.3.1 系统架构设计72-74
• 5.3.2 系统部署74-76
• 5.4 系统应用76-79
• 5.4.1 系统软硬件要求76
• 5.4.2 系统展示76-79
• 5.5 本章小结79-80
• 第六章总结及展望80-82
• 6.1 论文工作总结80
• 6.2 课题研究展望80-82
• 参考文献82-87
• 致谢87-88
• 攻读硕士学位期间获得的研究成果88

【参考文献】

中国期刊全文数据库 前10条

1 张维杰;田建艳;王芳;张晓明;韩肖清;王鹏;;改进型T-S模糊神经网络风电功率预测模型的研究[J];自动化仪表;2014年12期

2 刘代刚;周峥;杨楠;黄河;王震泉;许文超;;基于最小二乘支持向量机的风功率短期预测[J];陕西电力;2014年10期

3 王欣;李胜刚;秦斌;刘俊杰;;基于模糊支持向量机的风电场功率预测[J];新型工业化;2014年09期

4 黄辰;吴峻青;;基于人工神经网络的短期风电功率预测[J];华东电力;2014年07期

5 鲁向拥;陈悦;张瞳;葛贝;;Deep Learning算法分析和模型改进[J];计算机光盘软件与应用;2014年06期

6 刘建伟;刘媛;罗雄麟;;玻尔兹曼机研究进展[J];计算机研究与发展;2014年01期

7 王慕华;惠建忠;唐千红;张正文;;风电功率预测预报系统的设计与实现[J];计算机与现代化;2013年07期

8 王文刚;刘建鹏;武环宇;陶亮;张节潭;;风功率预测系统的应用与优化的讨论[J];科技创新与应用;2013年14期

9 秦政;包德梅;赖晓路;岳以洋;王媛媛;;风电场风功率预测系统研究[J];计算机技术与发展;2013年07期

10 许沛华;陈正洪;谷春;詹天成;;风电功率预测预报系统的设计与开发[J];水电能源科学;2013年03期

中国博士学位论文全文数据库 前1条

1 迟永宁;大型风电场接入电网的稳定性问题研究[D];中国电力科学研究院;2006年

中国硕士学位论文全文数据库 前3条

1 孙翰墨;基于ARMA模型的风电机组风速预测研究[D];华北电力大学（北京）;2011年

2 冷北雪;基于支持向量机的电力系统短期负荷预测[D];西南交通大学;2010年

3 杨春波;基于灰色模型与人工神经网络的改进组合预测模型及其应用研究[D];山东师范大学;2009年

，

本文编号：554061