首页> 中文学位 >基于多层感知器与支持向量机的风电功率预测模型研究
【6h】

基于多层感知器与支持向量机的风电功率预测模型研究

代理获取

目录

声明

摘要

1.1研究背景及意义

1.2国内外研究现状

1.3研究的主要工作和章节安排

第2章异常数据检测与挖掘

2.1异常数据检测背景

2.2金字塔数据分类模型

2.3数据预处理建模与实现

2.4实例测试与分析

2.5本章小结

第3章自迭代的部分连接多层感知器与支持向量机模型MLP-SVM

3.1六种特征选择方法

3.2多层感知器MLP方法

3.3支持向量机SVM方法

3.4全连接后向传播算法

3.5基于多层感知器与支持向量机的新型混合模型(MLP-SVM)

3.6本章小结

第4章实例分析

4.1预测模型评价指标

4.2金字塔数据分类模型处理风电功率数据

4.3实例分析与验证

4.3.1实例分析Ⅰ-混合预测模型特征选择方法

4.3.2实例分析Ⅱ-混合预测模型的预测效果

4.3.2实倒分析Ⅲ-混合预测模型的有效度

4.4本章小结

第5章结论与展望

参考文献

致谢

展开▼

摘要

随着能源危机和环境污染等问题的日益凸显,可再生能源的发展受到世界各国的关注,风能作为一种清洁、绿色的可再生能源,已经被广泛用于发电。由于风力发电技术的日臻成熟,风电装机容量和并网规模逐渐扩大,风力发场在中国整个电力系统发电总量的比例逐渐增加。然而受天气、环境等因素的影响,风电功率呈现出波动性、随机性和间歇性,当大规模风电接入到电力系统时,将会严重影响电网的稳定、安全和可靠运行。因此,发展准确的模型预测风电场风电功率,将有利于电力系统预先安排调度计划,保障电力系统的功率平衡和正常运行。 在风电场采集风电功率数据时,有些历史数据由于通讯故障、系统调控或人为干预等原因,将会呈现异常变化,这将给分析风电功率的统计特性带来严重影响。为了减少异常数据对风电功率波动性和风电功率预测等方面带来的负面干扰,首先,本文结合几何拓扑理论和数据标准化理论提出金字塔数据分类模型,不仅能够对异常数据进行预处理,还能对数据进行分类,将同种类别的数据赋予一致的标签以便于下一步的预测建模;其次,由于风电功率是一组时间序列,呈现出一定的周期特征,利用具有相同或相似特征的数据作为训练集的输入输出更有利于预测精度的提高,所以本文通过比较六种特征选择方法,为训练集选择最适合的一种特征选择方法挑选具有相同或相似特征的输入和输出数据;最后,本文以多层感知器MLP和支持向量机SVM为基础,提出一种新型的混合预测模型—自迭代的部分连接多层感知器与支持向量机模型(MLP-SVM)。由于多层感知器MLP关于隐含层输入和输出的传输方程有一定的缺陷,所以本文通过引入支持向量机SVM对多层感知器MLP进行改进,并根据一般神经网络的全连接后向传播算法和提出的高速公路法确定传输方程,确定混合预测模型MLP-SVM。 为了验证模型的有效性,本文通过采集西北5市(酒泉、马鬃山、民勤、武威和张掖)从2014年7月至2015年3月之间的风电功率数据进行实例验证,实验结果说明,与传统模型相比较,提出的模型具有更高的预测精度和有效性。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号