基于特征加权模糊聚类分析的风电功率预测方法研究
本文关键词：基于特征加权模糊聚类分析的风电功率预测方法研究
更多相关文章： 风特性 聚类分析 风电功率预测 Elman神经网络 云计算
【摘要】：随着近几年的迅猛发展,风电大规模接入电网。风能具有波动性、间歇性和不稳定性等特点,对电力系统安全稳定运行造成了巨大的影响。为解决大规模风电接入电网带来的问题,必须进行准确的风电功率预测。这样既能帮助电力系统提前制定相应的调度控制策略,还能保证电力系统安全稳定运行。因此,对风电功率预测方法进行研究具有深远的意义。本文选取国内某一个风电场相关实测数据作为研究对象,分别针对风场全年风速和风向的分布风力发电功率变化特性进行了仔细的研究和分析,并以此为基础,深入研究提高风力发电功率预测精度的方法。并且,将云计算技术引入电力系统领域,探索智能电网环境下风电功率预测、资源优化配置发展的新方向。本文的主要研究内容如下:最先,以国内某风场为研究对象,针对风速、风向风电场空间分布、风能及风电功率特性进行了系统的分析。结果表明:风速的概率分布呈现威布尔分布特征;风向呈现一定的季节特性;风电场风机呈现一定的延时空间分布相关性;风电功率具有规律性较强的输出特性和随机波动特性。然后,提出了一种改进的特征加权模糊聚类算法和基于遗传算法改进的Elman神经网络建模相结合的风电功率短期预测方法。由于风的各物理属性对风类型判别的重要程度不同,在传统FCM模糊聚类算法中引入加权因子,对历史日风类型数据样本进行综合聚类。再对各聚类结果建立动态GA-Elman神经网络模型,进行风电功率预测。使用国内某风场的实测数据进行仿真实验,证明本文方法的优越性和实用性。最后,提出一种基于云计算的风电功率预测资源调度平台架构。深入地阐述了云计算关键技术、基于云计算的风电功率预测资源管理和资源调度机制。采用Hadoop云计算技术,对风电功率预测的资源调度和计算服务进行虚拟云计算仿真,验证了以云计算为基础建立的风电功率预测资源调度平台的先进性。由此搭建的云平台架构将为智能电网环境下资源调度、风电负荷预测计算提供广阔的思路与有力的技术支持。
【关键词】：风特性 聚类分析 风电功率预测 Elman神经网络 云计算
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM614
【目录】：
- 摘要5-6
- Abstract6-11
- 第1章 绪论11-20
- 1.1 引言11
- 1.2 论文研究的背景及意义11-15
- 1.2.1 风电发展概况11-14
- 1.2.2 风电功率预测的意义14-15
- 1.3 国内外风电功率预测的研究现状15-17
- 1.3.1 国外研究现状15-16
- 1.3.2 国内研究现状16-17
- 1.3.3 风电功率预测方法综述17
- 1.4 风电功率预测研究的主要问题17-18
- 1.5 课题来源18
- 1.6 本文主要工作18-20
- 第2章 风力发电系统特性分析20-28
- 2.1 引言20
- 2.2 风特性分析20-24
- 2.2.1 基本概念20
- 2.2.2 风速特性分析20-22
- 2.2.3 风向特性分析22-23
- 2.2.4 风能及功率密度23-24
- 2.3 风电场及风电功率特性分析24-27
- 2.3.1 风电场风机空间分布相关特性24-25
- 2.3.2 风电场风电功率的输出特性25-26
- 2.3.3 风电功率的随机波动特性26-27
- 2.4 本章小结27-28
- 第3章 特征加权模糊聚类数据预处理方法研究28-40
- 3.1 数据预处理方法28-30
- 3.1.1 概述28-29
- 3.1.2 数据预处理方法的主要内容29-30
- 3.2 聚类分析数据预处理方法概述30-31
- 3.2.1 聚类分析定义及分类30
- 3.2.2 聚类分析的数学模型30-31
- 3.3 模糊聚类分析算法流程31-35
- 3.3.1 基于目标函数的模糊聚类分析31-32
- 3.3.2 模糊c均值聚类算法32-33
- 3.3.3 改进的特征属性加权模糊聚类算法33-35
- 3.4 算例仿真与分析35-39
- 3.4.1 数据样本选取与处理35-36
- 3.4.2 仿真结果及分析36-39
- 3.5 本章小结39-40
- 第4章 风电功率预测40-52
- 4.1 几种典型的预测方法概述40-44
- 4.1.1 时间序列预测方法40
- 4.1.2 趋势外推预测方法40-41
- 4.1.3 灰色系统预测方法41
- 4.1.4 专家系统预测法41
- 4.1.5 人工神经网络预测方法41-43
- 4.1.6 支持向量机预测方法43-44
- 4.2 基于Elman回归神经网络的风电功率预测模型44-47
- 4.2.1 Elman神经网络模型44
- 4.2.2 Elman神经网络的原理及算法44-46
- 4.2.3 基于遗传算法优化Elman神经网络的风电功率预测模型46-47
- 4.3 仿真实验及结果分析47-51
- 4.3.1 数据准备及误差分析标准47-48
- 4.3.2 仿真实验及分析48-51
- 4.4 本章小结51-52
- 第5章 基于云计算的风电功率预测资源调度平台架构研究52-63
- 5.1 云计算技术概述52-54
- 5.1.1 云计算定义52
- 5.1.2 云计算特点及关键技术52-54
- 5.2 基于云计算的风电功率预测资源调度平台架构54-57
- 5.2.1 Hadoop基本架构54
- 5.2.2 基于云计算的资源管理架构54-55
- 5.2.3 自适应虚拟化资源优化调度公有云架构55-56
- 5.2.4 基于云计算的风电功率预测机制56-57
- 5.3 基于云计算的风电功率预测资源优化配置仿真及分析57-61
- 5.3.1 问题建模57-58
- 5.3.2 能耗模型58
- 5.3.3 Min_energyflow算法设计58-60
- 5.3.4 云平台风电功率预测计算资源调度仿真及分析60-61
- 5.4 本章小结61-63
- 结论63-65
- 参考文献65-71
- 致谢71-72
- 附录A 攻读学位期间所发表的学术论文目录72-73
- 附录B 攻读学位期间所参加的科研项目目录73
【相似文献】
中国期刊全文数据库 前9条
1 胡胜海;何蕾;徐鹏;杨奇;金锦花;;基于灰色特征加权支持向量机的火炮质量评估[J];应用科技;2011年01期
2 孔令燕;夏乐天;;基于特征加权的混合型模糊聚类分析及其在洪水灾害等级划分中的应用[J];水利经济;2009年05期
3 赵俊杰;;基于特征加权的KNNFP改进算法及在故障诊断中的应用[J];电子技术应用;2011年04期
4 王改堂;王斐;黄超凡;丁力;叶锦函;;基于特征加权K最近邻的无人机武器发射过程参数预测[J];弹箭与制导学报;2014年04期
5 王国才;张聪;;一种基于粗糙集的特征加权朴素贝叶斯分类器[J];重庆理工大学学报(自然科学版);2010年07期
6 顾播宇;孙俊喜;李洪祚;刘红喜;刘广文;;基于特征加权模块双方向二维主成分分析的人脸识别[J];吉林大学学报(工学版);2014年03期
7 邱超;;特征加权FCM算法在洪水样本分类中的应用[J];水文;2007年05期
8 任会峰;阳春华;周璇;桂卫华;鄢锋;;基于泡沫图像特征加权SVM的浮选工况识别[J];浙江大学学报(工学版);2011年12期
9 ;[J];;年期
中国重要会议论文全文数据库 前1条
1 杜玫芳;王昕;;基于特征加权的模糊c均值聚类算法及其应用[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集（上）[C];2008年
中国博士学位论文全文数据库 前1条
1 贾隆嘉;文本分类中特征加权算法和文本表示策略研究[D];东北师范大学;2016年
中国硕士学位论文全文数据库 前10条
1 黄琼芳;特征加权组稀疏模式分析算法及其在水电机组故障诊断中的应用[D];浙江工业大学;2015年
2 张娜娜;基于进化极限学习机的特征加权近邻分类算法[D];大连海事大学;2016年
3 王新坤;基于特征加权模糊聚类分析的风电功率预测方法研究[D];湖南大学;2015年
4 马会敏;几种特征加权支持向量机方法的比较研究[D];河北大学;2010年
5 王秀菲;基于特征加权支持向量机的复合材料粘接缺陷量化识别研究[D];内蒙古大学;2011年
6 马萍;贝叶斯网络与基于特征加权的聚类研究[D];大连理工大学;2011年
7 吴彪;基于信息论的特征加权和主题驱动协同聚类算法研究[D];哈尔滨工业大学;2008年
8 周计美;基于特征加权单类支持向量机的颜色识别算法及其在异色物检测中的研究[D];内蒙古大学;2012年
9 陈晓琳;采用ReliefF特征加权的NIC算法研究[D];郑州大学;2014年
10 周徐宁;基于特征加权连续隐马尔可夫模型的故障诊断方法研究[D];上海交通大学;2012年
，本文编号：537122
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/537122.html
