基于GACO支持向量机的新能源电力系统状态预测方法研究

发布时间：2017-03-22 20:14

  本文关键词：基于GACO支持向量机的新能源电力系统状态预测方法研究，由笔耕文化传播整理发布。

【摘要】：近年来,随着化石能源的枯竭和环境污染问题日趋严重,新能源产业得到长足发展。新能源产业中,光伏和风电作为优质的可再生能源获得了广泛的关注。随着光伏、风电技术的发展,其控制过程中的一系列难题也暴露出来。对于光伏系统,其输出功率具有不确定性和不连贯性,不可预知的功率在并网过程中会造成不利影响；对于风电系统,控制过程中的重要变量风速无法通过风速仪准确获取,阵风到来时也无法提前预知,影响风电机组的控制与监测策略,造成风机载荷过大、风机使用寿命缩短等问题。为解决上述问题,本文基于改进仿生算法对支持向量机(Support Vector Machine, SVM)进行优化,并在此基础上,设计光伏出力、风速预测方法,以及阵风判断方法。主要研究内容包括以下三方面：(1)研究基于网格蚁群算法(Grid-aided Ant Colony Optimization,GACO)的支持向量机算法(GACO-SVM)。在智能生物仿真算法蚁群算法的基础上,引入了网格搜索算法对蚁群算法的局部搜索过程进行优化,从而融合网格法和蚁群法的优点,进而将GACO应用于支持向量机参数选择中。(2)研究基于GACO-SVM的光伏系统功率产出预测方法。对典型的光伏模块MSX60进行分析和建模,结合澳大利亚光伏研究机构提供的真实光照、温度数据,计算光伏系统功率产出的理论值,作为支持向量机的训练样本。仿真实验表明,训练得到的模型可对未来光伏功率产出进行高精度的预测。(3)研究基于GACO-SVM的风电机组风速预测和阵风判断方法。面向大型海上风电机组模型,使用Bladed专业软件模拟产生IEC标准工况下的运行状态数据,并通过相关性分析避免冗余计算,提高运算效率和精度。进而,对此数据使用GACO-SVM进行回归和分类计算,实现了高效高精度的风速预测和阵风判断,为风电机组的控制与监测策略设计奠定了基础。
【关键词】：光伏系统 风力发电机组 支持向量机 蚁群算法 相关性分析 Bladed
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM61;TP18
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-23
• 1.1 光伏产业发展现状11-14
• 1.1.1 国外光伏产业发展现状11-13
• 1.1.2 国内光优产业发展现状13-14
• 1.2 风电产业发展状况14-17
• 1.2.1 国外风电产业发展状况14-16
• 1.2.2 国内风电产业发展现状16-17
• 1.3 课题来源和研究意义17-18
• 1.4 本文所涉及的领域的国内外研究现状18-21
• 1.4.1 支持向量机参数选择研究现状18-19
• 1.4.2 光伏出力预测研究现状19-20
• 1.4.3 风速估计和阵风预测研究现状20-21
• 1.5 论文内容21-23
• 2 支持向量机基本原理及论文总体方案23-35
• 2.1 引言23
• 2.2 机器学习23-27
• 2.2.1 机械式学习24-25
• 2.2.2 归纳学习25
• 2.2.3 基于解释的学习25-26
• 2.2.4 神经网络26
• 2.2.5 遗传算法26-27
• 2.3 支持向量机27-32
• 2.3.1 统计学理论27
• 2.3.2 VC维与结构风险最小化原则27-28
• 2.3.3 支持向量机分类28-29
• 2.3.4 支持向量机回归29-31
• 2.3.5 LibSVM工具箱31-32
• 2.3.6 支持向量机的参数选择32
• 2.4 论文总体方案设计32-34
• 2.5 本章总结34-35
• 3 GACO算法及其在SVM参数选择中的应用35-46
• 3.1 序言35
• 3.2 蚁群算法简介35-37
• 3.3 蚁群算法在支持向量机参数选择中的应用37-39
• 3.4 网格搜索法39-40
• 3.5 网格优化的蚁群算法40-41
• 3.6 仿真实验41-45
• 3.7 本章总结45-46
• 4 基于GACO参数选择的支持向量机光伏出力预测46-58
• 4.1 引言46
• 4.2 光伏电池工作原理46-47
• 4.3 光伏电池输出功率预测47-48
• 4.4 光伏电池模型构建48-51
• 4.5 多种天气情况下光伏输出功率预测仿真分析51-57
• 4.5.1 少云天气下输出功率预测53-54
• 4.5.2 多云天气下输出功率预测54-55
• 4.5.3 阵雨天气下输出功率预测55-57
• 4.6 本章总结57-58
• 5 基于GACO支持向量机的风速预测和阵风判断58-76
• 5.1 引言58-59
• 5.2 风电机组及其模型建立59-65
• 5.2.1 风电机组主要构造59-61
• 5.2.2 风电机组发电原理61-62
• 5.2.3 Bladed仿真平台62-64
• 5.2.4 基于SPSS的相关性分析64-65
• 5.3 基于支持向量机回归的风速预测65-72
• 5.3.1 9m/s湍流风风速预测67-69
• 5.3.2 11m/s湍流风风速预测69-71
• 5.3.3 14m/s湍流风风速预测71-72
• 5.4 基于支持向量机分类的阵风判断72-75
• 5.5 本章总结75-76
• 6 结论76-78
• 6.1 研究工作总结76-77
• 6.2 后续工作展望77-78
• 参考文献78-82
• 作者简历及攻读硕士学位期间取得的研究成果82-84
• 学位论文数据集84

【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：262159