基于多层感知器与支持向量机的风电功率预测模型研究

发布时间：2024-02-28 21:11

　　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...

【文章页数】：51 页

【学位级别】：硕士

【部分图文】：

图２．１原始数据的敷据分布图??

本章利用每１５分钟采集一次的来自２０１４年７月至２０１５年３月之间的风电??功率数据，这些数据出自西北５市如酒泉、马鬃山、民勤、武威和张掖等不同站??点的１４组数据，每组数据有１４４００个数据点，由图２．１可以看出，来自不同站??点的数据组拥有明显的统计特征差异，其中横坐标表示每....

图４．１经过分类后的风电功率时间序列数据趋势??４．３实例分析与验证??

标准差）以便预测模型能够得到更好的结果。本节利用第二章中提到的金字塔数??据分类模型对风电功率数据进行预处理，由于设及海量数据，所以简要列举预处??理后的时间序列数据趋势如图４．１所示，金子塔数据分类模型赋予数据０－１之间??的指标分类，图４．］展示了较为显著的几类数据趋势，其中....

图４．３金子塔分类指标约０．２时的时间序列预测效果对比??３１??

?４５?５０??图４．２金子塔分类指标约０．１时的时间序列预测效果对比??１３５００?．ｆｌ?．?■?■■?■?■■＿??１?１?．?１?．?１?１，８???ＢＰ－ＳＶＭ预测值??１２７５０?分类指私???ＣＧ＾Ｒ－ＢＰ－ＳＶＭ??１２０００??ＧＤ－ＡＬＲ－ＢＰ－ＳＶＭ?预测ｔ....

图４．４金子塔分类指标约０．３时的时间序列预测效果对比??

?４５?５０??图４．５金子塔分类指标约０．４时的时间序列预测效果对比??３２??

本文编号：3913988