风速相似性形态研究及其在短期风速预测中的应用

发布时间：2017-09-15 13:00

  本文关键词：风速相似性形态研究及其在短期风速预测中的应用

  更多相关文章： 风电机 缺损数据填充 粒子群优化方法 广义回归神经网络 短期风速预报

【摘要】：风能的波动性,影响了电力系统的安全和稳定。准确的短期风速预测是电力系统可靠运行的一个重要保障。本文从风速的日变化与下垫面地表温度关系密切而呈现24小时弱周期变化的特点出发,查找风速数据的相似性序列,采用动态时间规整法和相关系数法组合预报,进行短期风速预测。因为进行风速预测的原始数据存在缺陷,不能直接用于预测,所以先要对原始风速数据进行质量控制,因此,本文的研究工作主要包括原始风速数据的质量控制和短期风速预报两方面,其中主要的创新在于提出了构造基于熵权的缺损风速集成填充模型和采用基于改进的广义回归神经网络进行短期风速预测两点。原始风速数据的质量控制中最重要的就是缺损数据的填充问题,本文采用了基于风速相似性形态分析的风电机缺损测量风速集成填充方法。首先,在现有空间邻点法(SNN)的基础上,以“成员等同性”为评价标准,引入了动态时间规整法(DTW)和相关系数法(PCC),分别搜寻与缺损测量风速风电机风速演化最为相似的若干台风电机及对应的测量风速时序,建立基于广义回归神经网络(GRNN)的填充子模型,采用粒子群算法对广义回归神经网络的模型参数和训练集的构成进行全局优化,之后选取较好的子模型构造自适应的基于信息熵的集成填充模型。在短期风速预测方面,分别采用动态时间规整法和相关系数法,对预报风机数据与所有风机数据逐日对应一定时段的风速子序列进行相似性分析,提取演化最相似的若干子序列的风速数据,分别建立基于动态时间规整法和相关系数法的广义回归神经网络子模型预报单元,各子模型的具体参数采用粒子群算法进行全局优化,两个子模型预报结果的平均值作为组合预报方法的最终预报结果。最后将预报结果与BP神经网络外推法、GRNN神经网络外推法和ARIMA时间序列法进行比较。最终实验结果表明,基于相似性原理进行短期风速预报是可行的,其效果要好于基于外推的方法。
【关键词】：风电机 缺损数据填充 粒子群优化方法 广义回归神经网络 短期风速预报
【学位授予单位】：南京信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM614;TP18
【目录】：

• 摘要5-6
• Abstract6-8
• 第一章 绪论8-17
• 1.1 研究背景与意义8-9
• 1.2 国内外研究现状9-14
• 1.2.1 风速采集数据质量控制方法9-11
• 1.2.2 基于物理模型的短期风速预测11-12
• 1.2.3 基于统计的短期风速预测方法12-14
• 1.3 本文的主要研究内容14-15
• 1.4 本文的组织结构15-17
• 第二章 风电场风机采样风速统计规律研究17-22
• 2.1 引言17
• 2.2 风能简介与风速采集局限性的研究17-18
• 2.3 测量风速质量控制流程和标准18-19
• 2.4 风速数据非线性分析19-22
• 第三章 风电机测量风速缺损值的填充方法22-38
• 3.1 引言22
• 3.2 测量风速缺损值填充的模型思路和架构22-23
• 3.3 测量风速缺损值填充的相关算法23-28
• 3.3.1 相似性形态分析的相关算法23-25
• 3.3.2 基于广义回归神经网络模型的缺损数据填充相关算法25-28
• 3.4 基于熵权的测量风速缺损值集成填充方法研究28-38
• 3.4.1 风速缺损值填充方法28-32
• 3.4.2 算法实验与结果分析32-38
• 第四章 基于广义回归神经网络的短期风速预测38-51
• 4.1 引言38
• 4.2 短期风速预测的模型思路和架构38-39
• 4.3 短期风速预测的相关算法39-41
• 4.3.1 ARIMA时间序列法39-40
• 4.3.2 BP神经网络外推法40-41
• 4.4 基于相似性的短期风速预测的算法研究41-51
• 4.4.1 数据相似性判定41-42
• 4.4.2 粒子群算法优化GRNN子模型参数42-43
• 4.4.3 基于DTW和PCC的两种GRNN子模型的组合预报43-45
• 4.4.4 算法实验与结果分析45-51
• 第五章 结论与展望51-53
• 5.1 结论51-52
• 5.2 展望52-53
• 致谢53-54
• 参考文献54-59
• 作者介绍59

，

本文编号：856661