基于DNN与随机森林特征信息选择的风电功率预测研究
发布时间：2022-10-09 22:05
风电功率具有很强的波动性、随机性和间歇性,风电功率的准确问题是当前新能源发电领域的一个研究热点与难点。目前常用的风电功率预测方法存在一定不足,其体现在预测过程中,多数预测模型将风电场的所有历史数据作为模型输入,未能对特征信息（风电功率、风速、气温、气压等）进行重要性的排序与筛选,从而降低了预测精度与效果。此外以 BP-ANN（Back Propagation-Artificial Neural Networks,反向传播人工神经网络）为代表的相对优秀的启发式预测方法也存在着隐含层不足,无法深度捕捉模型输入与输出关系的问题。针对这些问题,本文引入DNN（Deep Neural Networks,深度神经网络）与RF（Random Forest,随机森林）模型,并在以下三个方面开展研究。为了分析风电功率预测过程中的影响因素,从风速、风向、温度、空气密度等方面分析了风电功率与天气因素的关联性,从而建立起预测模型的输入天气变量集合,最后为了衡量不同预测方法的预测误差,选择了四个目前常用的风电功率预测评估指标:（1）平均绝对误差MAE（2）平均绝对百分比误差MAPE（3）均方误差MSE（4）均方...
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 风电功率预测研究现状
1.2.2 DNN的应用研究现状
1.3 论文主要研究内容
1.4 技术路线
2 风电场输出功率的预测模型与影响因素研究
2.1 风电功率预测模型
2.2 风电功率影响因素分析
2.2.1 风速的影响分析
2.2.2 风向的影响分析
2.2.3 温度的影响分析
2.2.4 空气密度的影响分析
2.2.5 其他因素的影响分析
2.3 风电功率预测评估指标
2.3.1 平均绝对误差
2.3.2 平均绝对百分比误差
2.3.3 均方误差
2.3.4 均方根误差
2.4 本章小节
3 基于DNN的风电功率预测研究
3.1 深度神经网络
3.1.1 深度神经网络模型
3.1.2 深度神经网络的优化算法
3.2 基于DNN的风电功率预测方法
3.2.1 预测模型与操作步骤
3.2.2 DNN预测方法的具体流程
3.3 方法应用与讨论
3.3.1 应用对象
3.3.2 应用过程及预测结果
3.3.3 比较与讨论
3.4 本章小结
4 基于RF-DNN特征信息选择的风电功率预测研究
4.1 随机森林与特征信息选择
4.1.1 决策树理论
4.1.2 随机森林
4.1.3 基于随机森林的特征信息选择步骤
4.2 基于RF-DNN的风电功率预测方法
4.3 方法应用与讨论
4.3.1 应用对象
4.3.2 应用过程及预测结果
4.3.3 比较与讨论
4.4 本章小结
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
【参考文献】：
期刊论文
[1]欧洲风电投资建设运营浅析[J]. 詹雷明. 中国设备工程. 2019(11)
[2]基于ABC-DNN的小电流接地故障选线方法[J]. 但扬清,赵伟,朱艳伟,何英静,沈舒仪. 智慧电力. 2019(04)
[3]基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法[J]. 高佳程,朱永利,郑艳艳,张科,刘帅. 电力系统自动化. 2019(01)
[4]Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Yu JIANG,Xingying CHEN,Kun YU,Yingchen LIAO. Journal of Modern Power Systems and Clean Energy. 2017(01)
[5]风电功率预测方法综述[J]. 钱政,裴岩,曹利宵,王婧怡,荆博. 高电压技术. 2016(04)
[6]基于DNN算法的移动视频推荐策略[J]. 陈亮,汪景福,王娜,李霞. 计算机学报. 2016(08)
[7]德国与西班牙风电消纳对中国的启示[J]. 王飞. 能源与节能. 2016(01)
[8]大规模新能源接入后系统调峰能力与常规电源开机方式关系研究[J]. 张顺,葛智平,郭涛,张世才,钱康. 电力系统保护与控制. 2016(01)
[9]基于深度神经网络的有色金属领域实体识别[J]. 毛存礼,余正涛,沈韬,高盛祥,郭剑毅,线岩团. 计算机研究与发展. 2015(11)
[10]世界风能强国发展风电的经验与对策[J]. 张庆阳,郭家康. 中外能源. 2015(06)
博士论文
[1]基于深度神经网络的语音识别模型研究[D]. 张仕良.中国科学技术大学 2017
[2]中国新能源发展研究[D]. 张海龙.吉林大学 2014
[3]考虑调峰因素的风电规划研究[D]. 张宏宇.中国电力科学研究院 2013
硕士论文
[1]基于谱分析的大规模风电场功率超短期概率区间预测研究[D]. 刘蕾.东北电力大学 2019
[2]风电场短期风速及功率预测技术研究[D]. 赵岩.天津理工大学 2018
[3]东营风电场风电功率短期预测研究[D]. 巩家豪.华北电力大学 2018
本文编号：3689434
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 风电功率预测研究现状
1.2.2 DNN的应用研究现状
1.3 论文主要研究内容
1.4 技术路线
2 风电场输出功率的预测模型与影响因素研究
2.1 风电功率预测模型
2.2 风电功率影响因素分析
2.2.1 风速的影响分析
2.2.2 风向的影响分析
2.2.3 温度的影响分析
2.2.4 空气密度的影响分析
2.2.5 其他因素的影响分析
2.3 风电功率预测评估指标
2.3.1 平均绝对误差
2.3.2 平均绝对百分比误差
2.3.3 均方误差
2.3.4 均方根误差
2.4 本章小节
3 基于DNN的风电功率预测研究
3.1 深度神经网络
3.1.1 深度神经网络模型
3.1.2 深度神经网络的优化算法
3.2 基于DNN的风电功率预测方法
3.2.1 预测模型与操作步骤
3.2.2 DNN预测方法的具体流程
3.3 方法应用与讨论
3.3.1 应用对象
3.3.2 应用过程及预测结果
3.3.3 比较与讨论
3.4 本章小结
4 基于RF-DNN特征信息选择的风电功率预测研究
4.1 随机森林与特征信息选择
4.1.1 决策树理论
4.1.2 随机森林
4.1.3 基于随机森林的特征信息选择步骤
4.2 基于RF-DNN的风电功率预测方法
4.3 方法应用与讨论
4.3.1 应用对象
4.3.2 应用过程及预测结果
4.3.3 比较与讨论
4.4 本章小结
5 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
【参考文献】：
期刊论文
[1]欧洲风电投资建设运营浅析[J]. 詹雷明. 中国设备工程. 2019(11)
[2]基于ABC-DNN的小电流接地故障选线方法[J]. 但扬清,赵伟,朱艳伟,何英静,沈舒仪. 智慧电力. 2019(04)
[3]基于Hilbert边际谱和SAE-DNN的局部放电模式识别方法[J]. 高佳程,朱永利,郑艳艳,张科,刘帅. 电力系统自动化. 2019(01)
[4]Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm[J]. Yu JIANG,Xingying CHEN,Kun YU,Yingchen LIAO. Journal of Modern Power Systems and Clean Energy. 2017(01)
[5]风电功率预测方法综述[J]. 钱政,裴岩,曹利宵,王婧怡,荆博. 高电压技术. 2016(04)
[6]基于DNN算法的移动视频推荐策略[J]. 陈亮,汪景福,王娜,李霞. 计算机学报. 2016(08)
[7]德国与西班牙风电消纳对中国的启示[J]. 王飞. 能源与节能. 2016(01)
[8]大规模新能源接入后系统调峰能力与常规电源开机方式关系研究[J]. 张顺,葛智平,郭涛,张世才,钱康. 电力系统保护与控制. 2016(01)
[9]基于深度神经网络的有色金属领域实体识别[J]. 毛存礼,余正涛,沈韬,高盛祥,郭剑毅,线岩团. 计算机研究与发展. 2015(11)
[10]世界风能强国发展风电的经验与对策[J]. 张庆阳,郭家康. 中外能源. 2015(06)
博士论文
[1]基于深度神经网络的语音识别模型研究[D]. 张仕良.中国科学技术大学 2017
[2]中国新能源发展研究[D]. 张海龙.吉林大学 2014
[3]考虑调峰因素的风电规划研究[D]. 张宏宇.中国电力科学研究院 2013
硕士论文
[1]基于谱分析的大规模风电场功率超短期概率区间预测研究[D]. 刘蕾.东北电力大学 2019
[2]风电场短期风速及功率预测技术研究[D]. 赵岩.天津理工大学 2018
[3]东营风电场风电功率短期预测研究[D]. 巩家豪.华北电力大学 2018
本文编号：3689434
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3689434.html
