风速预测中人工智能方法的应用研究
发布时间：2022-07-19 13:50
风作为大气环境中的基本元素,其研究对于天气气候、环境科学、清洁能源、气象灾害等方法都具有重要的意义。但由于受温度、气压、海拔、地形、纬度等诸多因素影响,风具有随机性、间歇性、波动性等特点,使得风成为最难预测的气象预报要素之一。因此,风速预测方法的研究,对于天气预报的提高、环境污染的研究、风资源的开发以及大风灾害的防治都起着十分关键的作用。风速数据波动性、随机性较大,直接使用单一预测模型进行预测通常会造成较大误差,同时未经参数优化的单一模型在预测时还存在模型参数不稳定、训练过程可靠性不高等问题,成为了风速预测研究中的热点。论文研究首先针对鱼群和蚁群算法在优化后期收敛速度变慢的问题,提出了一种新的改进群体智能算法（AFSA-ACO）,通过多种测试函数对其优化性能进行了验证,对群体智能算法的改进进行了初步探讨;针对风速的高噪声和非线性特征,在集合经验模态分解法（EEMD）、小波神经网络（WNN）与布谷鸟算法（CSO）等方法的基础上,按照混合的思想,提出了一种新的混合预测模型（EEMD-CSO-WNN）;针对风速的线性和非线性特征,在数据预处理、多种线性与非线性预测方法及改进的群体智能算法的基...
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 风速预测研究现状
1.2.1 物理方法
1.2.2 统计方法
1.2.3 提高统计方法预测精度的探索
1.3 研究内容与结构安排
第二章 数据与方法
2.1 研究区域与数据选取
2.1.1 研究区域介绍
2.1.2 数据集选取
2.2 数据预处理方法
2.2.1 奇异谱分析SSA
2.2.2 经验模态分解EMD
2.2.3 集合经验模态分解EEMD
2.3 线性预测方法
2.3.1 差分自回归移动平均模型ARIMA
2.3.2 二次指数平滑模型ES
2.4 非线性预测方法
2.4.1 反向传播神经网络BPNN
2.4.2 Elman神经网络ENN
2.4.3 广义回归神经网络GRNN
2.4.4 小波神经网络WNN
2.5 模型评估标准
第三章 改进的群体智能算法
3.1 布谷鸟搜索算法CSO(CuckooSearchOptimization)
3.2 改进的鱼群-蚁群算法AFSA-ACO
3.2.1 蚁群算法ACO(AntColonyOptimization)
3.2.2 鱼群算法AFSA(ArtificialFishSchoolAlgorithm)
3.2.3 鱼群-蚁群算法(AFSA-ACO)
3.2.4 改进的AFSA-ACO方法的效果评估
3.3 小结
第四章 风速预测的混合算法
4.1 布谷鸟优化小波神经网络模型
4.2 混合预测模型(EEMD-CSO-WNN)
4.3 提出混合方法的效果评估与分析
4.4 小结
第五章 风速预测的组合方法
5.1 组合理论
5.2 基于数据预处理与改进的群体智能算法组合预测方法
5.3 提出组合模型的效果评估与结果分析
5.3.1 组合模型的预测误差评估
5.3.2 偏差-方差测试框架对组合模型的预测效果评估
5.3.3 组合模型的误差改进率评估
5.3.4 组合模型的假设性检验评估
5.3.5 组合模型的有效性验证评估
5.6 小结
第六章 总结与展望
6.1 主要结论
6.2 未来展望
参考文献
在学期间研究成果
致谢
【参考文献】：
期刊论文
[1]风电场风速数值预报的动态修订方法的探讨[J]. 吴息,黄林宏,周海,王知嘉,江燕如. 大气科学学报. 2014(05)
[2]基于BP神经网络的风速观测资料序列订正模型[J]. 李世萍,孔令彬,肖玮,田梦,张文煜. 兰州大学学报(自然科学版). 2013(03)
[3]短期风电功率预测误差综合评价方法[J]. 徐曼,乔颖,鲁宗相. 电力系统自动化. 2011(12)
[4]基于组合预测方法的风电场短期风速预测[J]. 彭怀午,刘方锐,杨晓峰. 太阳能学报. 2011(04)
[5]径向基函数（RBF）网络的研究及实现[J]. 周俊武,孙传尧,王福利. 矿冶. 2001(04)
博士论文
[1]支持向量机模型选择研究[D]. 汪廷华.北京交通大学 2010
硕士论文
[1]基于时间序列分析的风速短期预测方法研究[D]. 岳莉莉.华北电力大学 2012
本文编号：3663530
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
中文摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 风速预测研究现状
1.2.1 物理方法
1.2.2 统计方法
1.2.3 提高统计方法预测精度的探索
1.3 研究内容与结构安排
第二章 数据与方法
2.1 研究区域与数据选取
2.1.1 研究区域介绍
2.1.2 数据集选取
2.2 数据预处理方法
2.2.1 奇异谱分析SSA
2.2.2 经验模态分解EMD
2.2.3 集合经验模态分解EEMD
2.3 线性预测方法
2.3.1 差分自回归移动平均模型ARIMA
2.3.2 二次指数平滑模型ES
2.4 非线性预测方法
2.4.1 反向传播神经网络BPNN
2.4.2 Elman神经网络ENN
2.4.3 广义回归神经网络GRNN
2.4.4 小波神经网络WNN
2.5 模型评估标准
第三章 改进的群体智能算法
3.1 布谷鸟搜索算法CSO(CuckooSearchOptimization)
3.2 改进的鱼群-蚁群算法AFSA-ACO
3.2.1 蚁群算法ACO(AntColonyOptimization)
3.2.2 鱼群算法AFSA(ArtificialFishSchoolAlgorithm)
3.2.3 鱼群-蚁群算法(AFSA-ACO)
3.2.4 改进的AFSA-ACO方法的效果评估
3.3 小结
第四章 风速预测的混合算法
4.1 布谷鸟优化小波神经网络模型
4.2 混合预测模型(EEMD-CSO-WNN)
4.3 提出混合方法的效果评估与分析
4.4 小结
第五章 风速预测的组合方法
5.1 组合理论
5.2 基于数据预处理与改进的群体智能算法组合预测方法
5.3 提出组合模型的效果评估与结果分析
5.3.1 组合模型的预测误差评估
5.3.2 偏差-方差测试框架对组合模型的预测效果评估
5.3.3 组合模型的误差改进率评估
5.3.4 组合模型的假设性检验评估
5.3.5 组合模型的有效性验证评估
5.6 小结
第六章 总结与展望
6.1 主要结论
6.2 未来展望
参考文献
在学期间研究成果
致谢
【参考文献】：
期刊论文
[1]风电场风速数值预报的动态修订方法的探讨[J]. 吴息,黄林宏,周海,王知嘉,江燕如. 大气科学学报. 2014(05)
[2]基于BP神经网络的风速观测资料序列订正模型[J]. 李世萍,孔令彬,肖玮,田梦,张文煜. 兰州大学学报(自然科学版). 2013(03)
[3]短期风电功率预测误差综合评价方法[J]. 徐曼,乔颖,鲁宗相. 电力系统自动化. 2011(12)
[4]基于组合预测方法的风电场短期风速预测[J]. 彭怀午,刘方锐,杨晓峰. 太阳能学报. 2011(04)
[5]径向基函数（RBF）网络的研究及实现[J]. 周俊武,孙传尧,王福利. 矿冶. 2001(04)
博士论文
[1]支持向量机模型选择研究[D]. 汪廷华.北京交通大学 2010
硕士论文
[1]基于时间序列分析的风速短期预测方法研究[D]. 岳莉莉.华北电力大学 2012
本文编号：3663530
本文链接：https://www.wllwen.com/kejilunwen/rengongzhinen/3663530.html
