短期風力發(fā)電功率預測的研究.pdf

1、聲明本人鄭重聲明：所呈交的學位論文，是本人在指導教師的指導下，獨立進行研究所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含其他個人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本聲明的法律責任由本人承擔。伽7眈莎t，。關于學位論文使用權的說明本人完全了解太原理工大學有關保管、使用學位論文的規(guī)定，其中包括：①學校有權保管、并向有關部門送交學位論文的原件與復印件；②學校可以采用影印、

2、縮印或其它復制手段復制并保存學位論文；③學?？稍试S學位論文被查閱或借閱；④學?？梢詫W術交流為目的，復制贈送和交換學位論文；⑤學?？梢怨紝W位論文的全部或部分內(nèi)容(保密學位論文在解密后遵守此規(guī)定)。簽名：煎邀當日期：導師簽名：塾墮逐日期：，2∥f中6、，，p伽1牛、6、卜太原理工大學碩士研究生學位論文都比較差。針對BP神經(jīng)網(wǎng)絡的易陷入局部極小值、穩(wěn)定性差的問題，建立了通過遺傳算法和模擬退火算法改進BP模型的GASABP短期風電功率預測模型

3、。仿真結果顯示預測系統(tǒng)的預測精度和穩(wěn)定性有了明顯的提高，有效的解決了局部極值的問題。針對傳統(tǒng)的機器學習理論的局限性，建立了基于統(tǒng)計學習理論的支持向量機預測模型，對預測模型的參數(shù)的選取采用交叉驗證網(wǎng)格搜索法。仿真結果顯示支持向量機預測模型的預測精度明顯高于GASABP模型。通過對三種模型的對比顯示，經(jīng)過不斷優(yōu)化預測模型，能夠有效的降低風電功率預測過程中內(nèi)在隨機性因素對風電功率預測精度的影響。針對外在隨機性因素問題，上述幾個預測模型在對風電

4、功率的影響因素的確定沒有統(tǒng)一的指導原則，需要人為按照經(jīng)驗來確定，導致確定的影響因素不完善。此外，由于國內(nèi)風電場沒有建立完善和精確的氣象預報系統(tǒng)，采集的數(shù)據(jù)會含有誤差。因此本文建立了混沌時間序列支持向量機短期風電功率預測模型，通過遺傳算法對該預測模型的參數(shù)進行組合優(yōu)化。仿真結果顯示混沌支持向量機預測模型顯示了良好的預測性能。通過與支持向量機模型的對比，混沌時間序列可以包含所有影響因素所攜帶的統(tǒng)計規(guī)律，混沌支持向量機預測模型能有效的降低外在