基于提升小波和最小二乘支持向量机的风电功率预测
发布时间：2020-12-03 07:38
随着社会和经济的快速发展,传统的化石燃料等不可再生资源越来越短缺,寻找可替代的清洁能源成了可持续发展的重要前提。其中,风电作为资源丰富的清洁能源,得到了广泛关注,但是风的波动性和强随机性增加了风电开发利用的难度。如果可以准确对风电功率进行预测,则可以有效降低风电资源开发利用的难度,从而在风电并网时大幅度降低经济成本。为了建立有效的风电功率预测模型,本文在风电功率预测过程的不同阶段分别运用提升小波分解（LWT）、支持向量机（SVM）和误差预测（EF）的预测方法。该方法通过LWT分解原始功率数据,可以去除风电原始功率数据中的明显噪声,得到了风电功率部分变化特征,弱化了风电的不确定性;预测过程则采用SVM方法对分解信号进行训练预测,保证了预测精度和速度;为了减少较大误差点的出现,在初步预测之后增加误差预测环节来校正预测结果,可以进一步有效减小预测误差,提高预测结果的稳定性和准确性。将建立的提升小波-支持向量机-误差预测（LWT-SVM-EF）的风电功率预测模型运用于内蒙古某风电场,仿真结果进一步验证了该方法对风电功率预测的适用性。为了进一步优化LWT-SVM-EF的预测方法,采用最小二乘支持...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 风电功率预测的背景和意义
1.1.1 风电功率预测的背景
1.1.2 风电功率预测的意义
1.2 风电功率预测的研究现状
1.3 风电功率预测的方法研究
1.4 文章主要研究内容和结构安排
第2章 基于LWT-SVM-EF的风电功率预测
2.1 提升小波
2.2 支持向量机
2.2.1 支持向量机原理
2.2.2 支持向量机的算法
2.2.3 支持向量机的核函数
2.2.4 支持向量机的主要参数
2.3 误差预测
2.4 基于LWT-SVM-EF的功率预测模型
2.5 仿真分析
2.5.1 LWT的仿真结果
2.5.2 LWT-SVM的仿真结果
2.5.3 LWT-SVM-EF的仿真结果
2.6 本章小结
第3章 基于LWT-LSSVM-EF的风电功率预测
3.1 最小二乘支持向量机
3.2 基于LWT-LSSVM-EF的风电功率预测模型
3.3 仿真分析
3.3.1 LSSVM的仿真结果
3.3.2 LWT-LSSVM的结果
3.3.3 LWT-LSSVM-EF的仿真结果
3.4 本章小结
第4章 风电功率预测软件介绍
4.1 软件设计思路
4.1.1 风电功率预测内容
4.1.2 数据预处理
4.1.3 风电功率预测软件的其他功能
4.1.4 软件搭设平台及框架介绍
4.1.5 软件功能介绍
4.2 软件系统介绍
4.2.1 软件安装
4.2.2 软件操作
4.3 软件应用实例
4.4 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
攻读硕士学位期间已发表或录用的论文
参与科研项目及所获奖励
【参考文献】：
期刊论文
[1]基于虚拟预测与小波包变换的风电功率组合预测[J]. 孟安波,陈育成. 电力系统保护与控制. 2014(03)
[2]风电功率预测方法综述及发展研究[J]. 牛东晓,范磊磊. 现代电力. 2013(04)
[3]基于云支持向量机模型的短期风电功率预测[J]. 凌武能,杭乃善,李如琦. 电力自动化设备. 2013(07)
[4]基于频域分解的短期风电负荷预测[J]. 温锦斌,王昕,李立学,郑益慧,周荔丹,邵凤鹏. 电工技术学报. 2013(05)
[5]基于Adaboost的BP神经网络改进算法在短期风速预测中的应用[J]. 吴俊利,张步涵,王魁. 电网技术. 2012(09)
[6]基于RVM与ARMA误差校正的短期风速预测[J]. 孙国强,卫志农,翟玮星. 电工技术学报. 2012(08)
[7]风电并网后电力系统可靠性评估和备用优化研究[J]. 余民,杨旻宸,蒋传文,蒋小亮,李子林. 电力系统保护与控制. 2012(12)
[8]一种新型的风电功率预测综合模型[J]. 夏冬,吴俊勇,贺电,宋洪磊,冀鲁豫. 电工技术学报. 2011(S1)
[9]基于经验模态分解和支持向量机的短期风电功率组合预测模型[J]. 叶林,刘鹏. 中国电机工程学报. 2011(31)
[10]短期负荷预测的聚类组合和支持向量机方法[J]. 梁建武,陈祖权,谭海龙. 电力系统及其自动化学报. 2011(01)
博士论文
[1]新能源风电发展预测与评价模型研究[D]. 刘琳.华北电力大学 2013
[2]风电输出功率预测方法与系统[D]. 刘兴杰.华北电力大学 2011
硕士论文
[1]短期风电功率预测方法研究[D]. 王建成.华南理工大学 2013
[2]基于时间序列的短期电力负荷预测模型研究[D]. 李艳红.昆明理工大学 2011
[3]基于模式识别的风电功率预测研究[D]. 邹文.华北电力大学 2011
[4]基于NWP的风电负荷预测方法在内蒙古电网中的应用[D]. 郭琦.天津大学 2010
[5]基于灰色理论的短期电力负荷预测研究[D]. 张志明.湖南大学 2009
[6]电网规划中负荷预测的分析与研究[D]. 陈国栋.湖南大学 2008
本文编号：2896205
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 风电功率预测的背景和意义
1.1.1 风电功率预测的背景
1.1.2 风电功率预测的意义
1.2 风电功率预测的研究现状
1.3 风电功率预测的方法研究
1.4 文章主要研究内容和结构安排
第2章 基于LWT-SVM-EF的风电功率预测
2.1 提升小波
2.2 支持向量机
2.2.1 支持向量机原理
2.2.2 支持向量机的算法
2.2.3 支持向量机的核函数
2.2.4 支持向量机的主要参数
2.3 误差预测
2.4 基于LWT-SVM-EF的功率预测模型
2.5 仿真分析
2.5.1 LWT的仿真结果
2.5.2 LWT-SVM的仿真结果
2.5.3 LWT-SVM-EF的仿真结果
2.6 本章小结
第3章 基于LWT-LSSVM-EF的风电功率预测
3.1 最小二乘支持向量机
3.2 基于LWT-LSSVM-EF的风电功率预测模型
3.3 仿真分析
3.3.1 LSSVM的仿真结果
3.3.2 LWT-LSSVM的结果
3.3.3 LWT-LSSVM-EF的仿真结果
3.4 本章小结
第4章 风电功率预测软件介绍
4.1 软件设计思路
4.1.1 风电功率预测内容
4.1.2 数据预处理
4.1.3 风电功率预测软件的其他功能
4.1.4 软件搭设平台及框架介绍
4.1.5 软件功能介绍
4.2 软件系统介绍
4.2.1 软件安装
4.2.2 软件操作
4.3 软件应用实例
4.4 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
攻读硕士学位期间已发表或录用的论文
参与科研项目及所获奖励
【参考文献】：
期刊论文
[1]基于虚拟预测与小波包变换的风电功率组合预测[J]. 孟安波,陈育成. 电力系统保护与控制. 2014(03)
[2]风电功率预测方法综述及发展研究[J]. 牛东晓,范磊磊. 现代电力. 2013(04)
[3]基于云支持向量机模型的短期风电功率预测[J]. 凌武能,杭乃善,李如琦. 电力自动化设备. 2013(07)
[4]基于频域分解的短期风电负荷预测[J]. 温锦斌,王昕,李立学,郑益慧,周荔丹,邵凤鹏. 电工技术学报. 2013(05)
[5]基于Adaboost的BP神经网络改进算法在短期风速预测中的应用[J]. 吴俊利,张步涵,王魁. 电网技术. 2012(09)
[6]基于RVM与ARMA误差校正的短期风速预测[J]. 孙国强,卫志农,翟玮星. 电工技术学报. 2012(08)
[7]风电并网后电力系统可靠性评估和备用优化研究[J]. 余民,杨旻宸,蒋传文,蒋小亮,李子林. 电力系统保护与控制. 2012(12)
[8]一种新型的风电功率预测综合模型[J]. 夏冬,吴俊勇,贺电,宋洪磊,冀鲁豫. 电工技术学报. 2011(S1)
[9]基于经验模态分解和支持向量机的短期风电功率组合预测模型[J]. 叶林,刘鹏. 中国电机工程学报. 2011(31)
[10]短期负荷预测的聚类组合和支持向量机方法[J]. 梁建武,陈祖权,谭海龙. 电力系统及其自动化学报. 2011(01)
博士论文
[1]新能源风电发展预测与评价模型研究[D]. 刘琳.华北电力大学 2013
[2]风电输出功率预测方法与系统[D]. 刘兴杰.华北电力大学 2011
硕士论文
[1]短期风电功率预测方法研究[D]. 王建成.华南理工大学 2013
[2]基于时间序列的短期电力负荷预测模型研究[D]. 李艳红.昆明理工大学 2011
[3]基于模式识别的风电功率预测研究[D]. 邹文.华北电力大学 2011
[4]基于NWP的风电负荷预测方法在内蒙古电网中的应用[D]. 郭琦.天津大学 2010
[5]基于灰色理论的短期电力负荷预测研究[D]. 张志明.湖南大学 2009
[6]电网规划中负荷预测的分析与研究[D]. 陈国栋.湖南大学 2008
本文编号：2896205
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/2896205.html
教材专著
