支持向量机在短期光伏发电功率预测中的应用

发布时间：2017-07-18 08:06

  本文关键词：支持向量机在短期光伏发电功率预测中的应用

  更多相关文章： 光伏发电 发电并网 预测模型 支持向量机 小波变换 数据融合

【摘要】：在全球环境污染和能源短缺等问题日益加重的情况下,光伏发电因其高效、清洁、安全、便利等特质,作为一门新兴产业,得到世界各国关注。但随机性及间歇性是光伏发电自身存在的一个问题,大规模的光伏发电进行并网势必会对电力系统的各项指标如电能质量、稳定安全等带来挑战,将会制约光伏发电的长久发展,而对光伏发电量进行预测是解决该问题的有效途径。在此背景下,本文通过分析光伏发电功率的相关性数据,采用基于支持向量机的方法对光伏发电功率进行短期预测。支持向量机作为一种新型学习机,它是基于结构风险最小化准则,获得实际风险最小值的机器算法,对小样本、非线性、局部极小点和高维数等现实中的问题有良好的解决能力,具有很强的泛化能力。本文基于支持向量机算法,针对短期光伏发电功率分别进行了基于相空间重构和支持向量机的预测1、基于小波变换和支持向量机的预测2和基于多源信息数据融合的预测3。预测方法1将历史发电功率序列作为混沌序列进行重构后,利用支持向量机进行预测；预测方法2针对光伏发电功率序列的不平稳性,首先采用小波变换对原始功率数据进行处理,将功率序列看作多个不同频率分量的叠加,通过小波变换,得具有各自特征的序列,用支持向量机对各个序列分别进行预测,最终对各个预测值叠加得预测值；预测方法3基于数据融合的思想,将与光伏发电功率有关的气象等信息都考虑到模型中,用支持向量机对气象因素、历史功率序列和相邻机组功率序列进行处理,提取特征信息值,然后采用神经元网络进行融合得最终预测值。采用现场数据验证,并对预测效果进行对比,所运用的方法都能得到预测值,可有效减轻光伏发电的不平稳性对电网带来的不利影响。
【关键词】：光伏发电 发电并网 预测模型 支持向量机 小波变换 数据融合
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TM615;TP18
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-16
• 1.1 课题研究背景11-12
• 1.2 课题研究意义12-13
• 1.3 国内外研究现状13-14
• 1.4 主要研究内容14-15
• 1.5 本章小结15-16
• 第2章 基于支持向量机的光伏发电功率预测理论基础16-29
• 2.1 光伏发电技术简介16-18
• 2.1.1 太阳能光伏发电概念16
• 2.1.2 太阳能光伏发电条件16-17
• 2.1.3 太阳能光伏发电原理17-18
• 2.2 光伏发电功率影响因素18-19
• 2.3 预测方法及难点19-21
• 2.3.1 预测方法简介19-20
• 2.3.2 预测难点20-21
• 2.4 负荷预测的基本过程及误差评价指标21
• 2.5 支持向量机简介21-22
• 2.6 统计学相关理论22-23
• 2.6.1 VC维理论和结构风险最小化原则22-23
• 2.7 支持向量机理论23-28
• 2.7.1 基本支持向量机23-25
• 2.7.2 非线性支持向量机25-26
• 2.7.3 核函数26
• 2.7.4 支持向量回归机26-28
• 2.8 本章小结28-29
• 第3章 支持向量机用于短期光伏发电功率预测29-32
• 3.1 基于支持向量机的预测算法29-30
• 3.1.1 预测算法流程29
• 3.1.2 支持向量机核函数的选择29-30
• 3.2 算例分析30-31
• 3.3 本章小结31-32
• 第4章 基于相空间重构和支持向量机的短期光伏发电功率预测32-40
• 4.1 相空间重构理论32-34
• 4.1.1 相空间理论基础32-33
• 4.1.2 相空间重构C-C方法33-34
• 4.2 基于相空间重构和支持向量机的预测算法34-35
• 4.3 算例分析35-39
• 4.3.1 源数据相空间重构35-37
• 4.3.2 支持向量机参数寻优37
• 4.3.3 功率预测37-39
• 4.3.4 预测效果评价39
• 4.4 本章小结39-40
• 第5章 基于小波变换和支持向量机的短期光伏发电功率预测40-47
• 5.1 小波变换理论40-41
• 5.2 预测算法概述41-42
• 5.3 算例分析42-46
• 5.3.1 小波分解和重构42-43
• 5.3.2 参数寻优43
• 5.3.3 各小波单支功率预测效果及最终预测效果43-46
• 5.3.4 预测效果评价46
• 5.4 本章小结46-47
• 第6章 一种多源信息融合的短期光伏发电功率预测47-57
• 6.1 信息融合47-49
• 6.1.1 信息融合的概念及特点47
• 6.1.2 信息融合的基本原理47-48
• 6.1.3 信息融合算法分析48-49
• 6.2 预测算法概述49-53
• 6.2.1 多源信息的选取49-52
• 6.2.2 预测模型的建立52-53
• 6.3 算例分析53-56
• 6.4 本章小结56-57
• 第7章 总结及展望57-59
• 7.1 总结57-58
• 7.2 展望58-59
• 参考文献59-63
• 攻读硕士学位期间发表的论文及其它成果63-64
• 致谢64

【相似文献】

中国期刊全文数据库 前10条

1 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期

3 张菁华;袁鑫;刘达;;基于支持向量机的电力工程最优投标报价决策研究[J];山东电力高等专科学校学报;2006年04期

4 张涛;段淑敏;;支持向量机在中医疾病症候诊断中的应用[J];华北水利水电学院学报;2007年03期

5 王晶;靳其兵;曹柳林;;面向多输入输出系统的支持向量机回归[J];清华大学学报(自然科学版);2007年S2期

6 陈丹;;多类支持向量机算法的研究[J];东莞理工学院学报;2007年05期

7 程丽丽;张健沛;马骏;;一种改进的加权边界调节支持向量机算法[J];哈尔滨工程大学学报;2007年10期

8 宋召青;崔和;胡云安;;支持向量机理论的研究与进展[J];海军航空工程学院学报;2008年02期

9 郭濵;孙晓梅;薛明;;基于壳向量的边界邻近支持向量机[J];黑龙江交通科技;2008年12期

10 许超;运士伟;舒云星;;基于支持向量机的混凝土测强换算模型[J];洛阳理工学院学报(自然科学版);2008年02期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：556723