收藏本站
《东北大学》 2014年
收藏 | 手机打开
二维码
手机客户端打开本文

基于改进人工蜂群算法的分散式风功率预测方法研究

褚夫飞  
【摘要】:随着风力发电的快速发展,风电场并网容量不断递增。近几年来,大型风电场建设已基本完成,为增加新能源发电装机容量,我国开始挖掘分散式风电场的资源,大力发展分散式风电场。但由于风速的波动性和不确定性,风力发电产生的风功率大小也具有不确定性,对电网的扰动也越来越大。当前,许多分散式风电场并没有风功率短期预测设备,给当地调度和自身发展带来诸多难题。因此分散式风电场的风功率短期预测势在必行,准确的风功率预测为风电场竞价上网提供了可靠保证,对调度自动化实现和现场指导具有深远意义。当前,风功率的预测方法主要有时间序列法、BP神经网络法和支持向量机。但是,时间序列法存在定阶困难的问题,BP神经网络存在权值选择问题,支持向量机存在参数设置的问题。本文针对不同风电场的现实状况和预测需求,利用改进人工蜂群结合三种不同方法对上述风电场经网络法对0-4小时以内的风功率进行预测,结果发现,该方法适用于历史数据比较充裕,对预测精度要求比较高的场合。最后,针对BP神经网络需要数据量大、容易陷入局部最优和学习速度慢等问题,将改进人工蜂群的支持向量机法应用到风功率预测中来;该算法需求的数据样本少,预测准确度较高,避免了其它一些学习算法的复杂学习过程。事实证明,该算法适合于数据样本少、预测准确度要求比较高的场合。为了满足国家电网对分散式风电并网和风电场自身发展要求,本文还开发了一种分散式风电风功率预测软件。该软件基于VB.net语言,在处理复杂计算过程时,主要依赖于MATLAB的动态链接库文件;该软件可以基于实时数值天气预报和历史风资源数据,实现未来一段时间内的风功率预测功能,另外该软件还可以根据调度提供的数据进行实时监控预警功能。最后,利用该软件对本提到的各种算法进行验证比较,结果分析了上述各个算法的适用性和不可替代性。
【关键词】:分散式风电 风功率预测 人工蜂群算法 软件开发
【学位授予单位】:东北大学
【学位级别】:硕士
【学位授予年份】:2014
【分类号】:TM614;TP18
【目录】:
  • 摘要5-6
  • Abstract6-10
  • 第1章 绪论10-22
  • 1.1 课题来源10-11
  • 1.2 课题背景研究意义11-13
  • 1.3 风电场功率预测的不同分类类型13-17
  • 1.4 风电场短期功率预测的研究现状17-20
  • 1.4.1 国外风电功率预测研究现状17-19
  • 1.4.2 国内风电功率预测研究现状19-20
  • 1.5 本论文的研究工作20-22
  • 第2章 基于改进人工蜂群的时间序列法风功率预测22-40
  • 2.1 引言22-23
  • 2.2 人工蜂群及其改进算法23-26
  • 2.3 基于改进人工蜂群的时间序列法模型26-33
  • 2.3.1 时间序列法原理26-27
  • 2.3.2 时间序列建立风功率预测模型过程27-31
  • 2.3.3 基于改进人工蜂群的时间序列法建立预测模型31-33
  • 2.4 算例分析33-38
  • 2.5 本章小结38-40
  • 第3章 基于改进人工蜂群的BP神经网络法风功率预测40-50
  • 3.1 引言40-41
  • 3.2 基于改进人工蜂群的BP神经网络风功率预测模型41-48
  • 3.2.1 BP神经网络的应用原理41
  • 3.2.2 BP神经网络算法处理流程41-42
  • 3.2.3 BP神经网络的数学描述42-44
  • 3.2.4 BP神经网络的学习规则与计算方法44-45
  • 3.2.5 基于改进人工蜂群BP神经网络法建立预测模型45-48
  • 3.3 算例分析48-49
  • 3.4 本章小结49-50
  • 第4章 基于改进人工蜂群的支持向量机法风功率预测50-60
  • 4.1 引言50-51
  • 4.2 基于改进人工蜂群的支持向量机预测模型51-57
  • 4.2.1 支持向量机的研究与应用51-53
  • 4.2.2 支持向量机回归算法53-55
  • 4.2.3 基于改进人工蜂群的支持向量机法建立预测模型55-57
  • 4.3 算例分析57-59
  • 4.4 本章小结59-60
  • 第5章 分散式风电风功率预测软件开发60-76
  • 5.1 引言60
  • 5.2 分散式风电风功率预测软件功能概述60-62
  • 5.3 软件的预期性能指标分析62
  • 5.4 软件的总体结构描述62-64
  • 5.5 软件的开发环境及开发工具64-65
  • 5.6 分散式风电风功率预测软件界面介绍65-72
  • 5.7 分散式风电风功率预测软件对各种算法的比较分析72-75
  • 5.8 本章小结75-76
  • 第六章 总结与展望76-78
  • 参考文献78-84
  • 致谢84-86
  • 攻读硕士期间所做的工作及科研成果86

【相似文献】
中国期刊全文数据库 前10条
1 程渭吕;通信及信号处理用的新算法[J];上海航天;1985年01期
2 郭福顺 ,高铁军;抽象数据型与一类表达式的化简[J];哈尔滨工业大学学报;1985年A3期
3 刘锋;李屹;李丽娟;;一种改进的人工蜂群算法及其在桁架几何优化设计中的应用研究[J];工程设计学报;2013年06期
4 焦健;瞿有利;;知网的话题更新与跟踪算法研究[J];北京交通大学学报;2009年05期
5 牛连强;薛瑾;朱天翔;;快速绘制圆弧的行程算法[J];沈阳工业大学学报;2010年04期
6 刘彬;吴嗣亮;姜万录;;FFT算法中求P值的一般方法[J];东北重型机械学院学报;1986年04期
7 左幸;陶卫国;马光文;;三角旋回算法及其在短期水火协调优化中的应用[J];华东电力;2007年10期
8 刘彬,张立杰,张春杰;一种改进的FFT算法[J];东北重型机械学院学报;1997年04期
9 穆世强;;一种改进的LMS算法及自适应高分辨阵列测向[J];电子对抗技术;1992年03期
10 高波;田东;胡亮;傅泽田;;Free Search——一种新的进化算法[J];仪器仪表学报;2006年S1期
中国重要会议论文全文数据库 前9条
1 刘明兰;王玲琍;曾春年;钟绍华;张俊;;双模自组织Fuzzy-Dahlin算法研究[A];1997中国控制与决策学术年会论文集[C];1997年
2 胡海清;;序列最小优化及其改进算法[A];第十届中国科协年会信息化与社会发展学术讨论会分会场论文集[C];2008年
3 王春厚;许都;孙健;;一种降低误判率的BF快速匹配算法结构[A];2010年全国通信安全学术会议论文集[C];2010年
4 桑红燕;潘全科;任立群;;解决单机准时排序问题的差异进化算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年
5 周川;张璐;陈庆伟;;基于神经网络PID的智能AQM新算法[A];第二十七届中国控制会议论文集[C];2008年
6 陈小林;赵建;王延杰;;多模实时跟踪算法研究[A];第七届全国信息获取与处理学术会议论文集[C];2009年
7 傅荟璇;王宇超;孙枫;;融合Kalman滤波的自适应带宽Mean Shift算法[A];2011年中国智能自动化学术会议论文集(第一分册)[C];2011年
8 羌磊;肖田元;宋士吉;;多种群模式协同搜索贝叶斯优化算法[A];第25届中国控制会议论文集(中册)[C];2006年
9 阮秀凯;张志涌;;一种基于支持向量回归的盲恢复新算法[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
中国博士学位论文全文数据库 前9条
1 陈贵涛;基于CMAES杂交算法的钢筋混凝土框架结构优化设计研究[D];华南理工大学;2014年
2 杜新鹏;联合稀疏恢复新型算法及其应用研究[D];国防科学技术大学;2013年
3 李向涛;进化算法研究及其在化学信息学中的应用[D];东北师范大学;2015年
4 许伟;基于进化算法的复杂化工过程智能建模方法及其应用[D];华东理工大学;2011年
5 郑友莲;面向模糊车间调度问题的智能算法研究[D];武汉大学;2011年
6 高健;分布式环境的同顺序流水作业问题求解算法研究[D];大连海事大学;2013年
7 毕云龙;自适应声学回声抑制算法研究及其VLSI芯片设计[D];哈尔滨工业大学;2010年
8 赵立权;ICA算法及其在阵列信号处理中的应用研究[D];哈尔滨工程大学;2009年
9 邹德旋;启发式算法及其在工程优化中的应用[D];东北大学;2011年
中国硕士学位论文全文数据库 前10条
1 和梦思;粒子群进化算法的改进及应用[D];深圳大学;2015年
2 钱诚;快速超分辨波达方向估计算法研究[D];哈尔滨工业大学;2015年
3 王金明;基于AES和LSB算法的信息隐藏模块研究与设计[D];贵州大学;2015年
4 许峥;自适应PID算法在减水剂生产控制中的研究与实现[D];北京工业大学;2015年
5 贾宁宁;复杂网络中社团发现算法研究及应用[D];石家庄铁道大学;2015年
6 庞德艳;非光滑方程的算法及其应用[D];青岛大学;2015年
7 李倩;基于膜计算的黑洞聚类算法研究[D];西华大学;2015年
8 刘建;无线传感器网络链式路由算法[D];广西师范大学;2015年
9 杨葛;基于本体的程序代码资源算法结构关联研究[D];东华大学;2013年
10 褚夫飞;基于改进人工蜂群算法的分散式风功率预测方法研究[D];东北大学;2014年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026