题名 | 基于正态分布噪声神经网络的风电场超短期风速预测方法研究 |
作者 | 李宁 |
答辩日期 | 2017 |
导师 | 李德顺 |
关键词 | 正态分布噪声神经网络 粒子群优化算法 萤火虫算法 小波分解 风电场 超短期风速预测 |
学位名称 | 硕士 |
英文摘要 | 风力发电受到其间歇性、波动性及不确定性等因素的制约,使得风电接入对电网的安全和稳定运行带来严峻挑战。超短期风电功率预测,主要应用于短期内发电机组运行调整控制,缓解风电对电网带来的不利影响,有效提高风电并网容量。而风速与风电功率关系密切,精准的风速预测是功率预测的基础和前提,这使得风电场风速的超短期预测研究意义重大。本文基于宁夏某风电场测风塔历史风速数据,通过对NDN神经网络模型进行优化,开展了风电场超短期风速预测的方法研究。1)建立了一种风速输入矩阵(Wind Input Matrix,WIM),使得相邻时间点风速具有较强的时间相关性,矩阵相邻维数上具有较强的空间相关性。这一点通过与传统形式的风速输入矩阵在(Back Propagation,BP)神经网络模型下的超短期风速预测对比进行说明。引入了正态分布的随机噪声对BP神经网络模型进行了改进,构建了正态分布噪声(Normal Distribution Noise,NDN)神经网络,基于WIM开展了BP、NDN两种神经网络模型下的超短期风速预测。研究发现NDN神经网络模型的风速预测精度较BP模型有所提高,但均存在预测时间上的延迟。2)分别引入粒子群(Particle Swarm Optimization,PSO)算法、萤火虫算法(Firefly Algorithm,FA)对NDN神经网络权值、阈值进行优化。仿真实验结果显示,PSO-NDN预测效果较NDN模型有所改善,但预测曲线与实测曲线相比依然存在延迟现象。而混合优化FA-NDN神经网络模型预测精度表现不佳,实验结果表明,其预测精度甚至不如NDN模型的预测精度,仅比传统BP神经网络模型的预测精度略高。3)进而引入小波分解(Wavelet Decomposition,WD)技术,并结合PSO-NDN、FA-NDN两种混合优化模型形成了组合优化模型WD-PSO-NDN、WD-FA-NDN,进行风速的超短期预测,均得到了比较满意的结果。其中WD-FA-NDN的预测曲线与实测曲线吻合更好,在有效捕捉风速变化趋势的同时,能够较大程度改善局部时间延迟的现象,是一种有效的超短期风速预测方法。 |
语种 | 中文 |
页码 | 65 |
URL标识 | 查看原文 |
内容类型 | 学位论文 |
源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/92999] |
专题 | 石油化工学院 |
作者单位 | 兰州理工大学 |
推荐引用方式 GB/T 7714 | 李宁. 基于正态分布噪声神经网络的风电场超短期风速预测方法研究[D]. 2017. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论