基于云计算和智能算法的风电功率预测方法研究

发布时间：2017-08-04 16:26

  本文关键词：基于云计算和智能算法的风电功率预测方法研究

  更多相关文章： 风电功率预测 云计算 Spark平台 菌群优化算法 人工神经网络

【摘要】：随着能源问题的进一步严峻,我国能源结构中可再生能源部分逐步增大。风力发电作为一种清洁能源,将成为未来能源结构的主体。当前风力发电设备与技术已经相当成熟,但是风力发电的不稳定性直接影响风电并网,也就造成了大量的风电浪费。因而高效的风电功率预测能够提高风电的利用率。风电功率预测比一般预测问题要更加复杂,影响风力发电的因素有很多。为了能够进行有效的风电预测输入参数必须要比一般电力功率预测问题要多。人工神经网络在风电功率预测领域应用广泛,但是由于它容易陷入局部最优,因而多采用智能优化算法对其进行改进。粒子群算法,遗传算法等算法虽然能解决神经网络陷入局部最优的问题但是当输入参数维数增多时,上述算法的性能很低,很难有效的进行风电功率预测,于是本文引入菌群优化算法对传统神经网络算法进行改进,以此来进行风电功率预测。并将该算法在Spark云平台下实现,提高整个算法的运行相率。本文主要进行以下几个方面的工作。(1)分析了传统风电预测面临的问题,并研究了不同预测方法的优缺点。比较几种智能算法的性能,根据风电预测的特殊性选择合适的智能算法对现有算法进行针对性改进。(2)研究分析了菌群优化算法的原理其特点,确定了其相对其他优化算法对多维优化问题具有更大优势。并将菌群优化算法与人工神经网络结合,给出一种新型的神经网络预测方法—菌群神经网络(BCO-NN)。将神经网络权值、阈值等相关参数定义成一个矢量,作为菌群优化算法的细菌个体进行优化。并对该改进算法进行并行化设计。(3)提出了S-BCO-NN风电预测算法,在每一个Spark节点通过训练数据集训练BCO-NN,并通过训练数据集评价神经网络的性能。将神经网络的性能指标传递至Spark主节点,根据权值决策策略给各个节点赋予不同的权值,以获得最终的预测结果。(4)进行实验测试与算例分析。选用内蒙古某风电场提供的真实数据,在实验室搭建的9节点的云计算集群上对提出的算法进行性能测试,并与现有的风电预测方法进行对比。实验结果表明提出算法的风电预测精度均优于已有算法,可为风电预测提供有效依据,且具有较好的并行性能。
【关键词】：风电功率预测 云计算 Spark平台 菌群优化算法 人工神经网络
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614;TP18
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-14
• 1.1 选题背景与意义10-11
• 1.2 国内外研究现状11-12
• 1.2.1 风电预测算法研究现状11
• 1.2.2 云计算研究现状11-12
• 1.3 课题研究的主要内容12-13
• 1.4 论文的组织安排13-14
• 第2章 相关技术14-24
• 2.1 云计算14-19
• 2.1.1 hadoop云平台14-16
• 2.1.2 Spark云计算技术16-18
• 2.1.3 hadoop与Spark技术比较18-19
• 2.2 菌群优化算法19-22
• 2.2.1 菌群优化算法模型19-20
• 2.2.2 菌群优化算法原理20-22
• 2.2.3 菌群优化算法特点22
• 2.3 本章小结22-24
• 第3章 BCO-NN风电预测算法设计24-31
• 3.1 BP神经网络24-27
• 3.1.1 BP神经网络原理24-25
• 3.1.2 BP神经网络算法的数学描述25-26
• 3.1.3 BP神经网络的不足26-27
• 3.2 风电功率预测特点27
• 3.3 BCO-NN算法设计27-30
• 3.3.1 算法设计思想27-28
• 3.3.2 人工细菌粒子设计28-29
• 3.3.3 BCO-NN算法具体实现29-30
• 3.4 本章小结30-31
• 4 基于Spark的S-BCO-NN算法设计31-37
• 4.1 BCO-NN算法并行化设计31
• 4.1.1 BCO-NN算法算法不足31
• 4.1.2 BCO-NN算法并行化设计思想31
• 4.2 S-BCO-NN算法设计31-35
• 4.2.1 Spark平台并行化31-32
• 4.2.2 S-BCO-NN算法设计32-33
• 4.2.3 S-BCO-NN算法具体实现步骤33-34
• 4.2.4 算法性能分析34-35
• 4.3 本章小结35-37
• 第5章 Spark云计算平台的搭建与配置37-45
• 5.1 Hadoop平台说明37-38
• 5.2 全分布环境下Hadoop的安装配置38-42
• 5.2.1 Hadoop安装配置说明38
• 5.2.2 配置hosts文件38-39
• 5.2.3 安装并配置JDK39
• 5.2.4 安装并配置Hadoop平台39-42
• 5.3 开发平台搭建及配置42-44
• 5.3.1 下载并安装Scala42
• 5.3.2 下载并安装Spark42-44
• 5.4 本章小结44-45
• 第6章 实验测试与算例分析45-49
• 6.1 数据集设计45
• 6.2 评价指标45-46
• 6.3 算例分析46-48
• 6.3.1 BCO-NN算法预测结果均方根误差分析46-47
• 6.3.2 S-BCO-NN算法并行性能分析47-48
• 6.4 本章小结48-49
• 第7章 总结与展望49-51
• 7.1 本论文的主要工作49-50
• 7.2 对未来工作的展望50-51
• 参考文献51-54
• 攻读硕士学位期间发表的论文及其它成果54-55
• 致谢55

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

本文编号：620561