改进支持向量机回归的风电场功率预测

发布时间：2023-04-03 21:33

　　风能作为绿色可再生的新型清洁能源,是国家和社会能源结构中重要的组成部分。随着风力发电产业的迅速崛起,大规模风电场并网的实现,随之而来的对风电机组的功率预测工作也越来越重要。但由于影响风电机组功率的因素多,且影响因素具有随机性和间歇性,因此对风电机组的功率进行研究是具有挑战和深远意义的。本文通过对现有风电机组功率预测研究的分析,为了提高风电机组功率预测精度,提出了一种新的改进萤火虫算法,实现对支持向量机回归模型参数的选取;将与风电机组功率关联度较大的因素作为模型输入,提高了预测的精度。主要研究工作如下:首先,针对现有的风电机组功率预测研究进行分析,证明了支持向量机比传统统计学理论存在优势。在分析最小化经验风险、最小化结构风险、VC维等理论之后,引入支持向量机回归的基础理论和原理,利用功率误差作为评价标准与其他算法进行对比,证明支持向量机在解决小样本情况下的机器学习问题具有较好的泛化能力。通过计算SCADA监测项目与输出有功功率之间的皮尔逊相关系数,得到对风电机组功率影响最大的四个因子。其次,提出了一种利用集成思想的改进萤火虫算法的优化支持向量机回归模型参数的功率预测方法,采用改进后的萤火...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景
    1.2 课题研究目的及意义
    1.3 风电机组功率预测研究现状
        1.3.1 国外研究现状
        1.3.2 国内研究现状
        1.3.3 风电机组功率预测存在问题
    1.4 论文主要研究内容和结构安排
第二章 风电机组功率预测技术分析
    2.1 风力发电技术原理
    2.2 风电机组功率预测影响因素分析
        2.2.1 风电机组功率影响因素
        2.2.2 风电机组功率预测难点
    2.3 功率预测基本过程及误差评价标准
    2.4 集成学习和集成预测
    2.5 本章小结
第三章 算法分析与数据预处理
    3.1 群体智能算法分析
    3.2 机器学习分析
    3.3 支持向量机原理
        3.3.1 支持向量机回归
        3.3.2 核函数参数选取
    3.4 风电场监控和数据采集系统
        3.4.1 监控和数据采集系统
        3.4.2 影响功率预测因素的相关性分析
        3.4.3 相似度分析
        3.4.4 系统聚类分析
        3.4.5 K-means算法
    3.5 本章小结
第四章 基于改进萤火虫算法的集成预测模型
    4.1 问题描述
    4.2 基本萤火虫算法
    4.3 改进萤火虫算法的支持向量机回归模型
        4.3.1 改进萤火虫算法
        4.3.2 基于改进萤火虫算法的参数选取
    4.4 改进萤火虫算法的支持向量机回归集成模型
    4.5 本章小结
第五章 基于支持向量机回归的风电场功率预测
    5.1 样本数据选取
    5.2 风电机组功率预测ε-SVR模型
        5.2.1 数据处理
        5.2.2 评价指标
        5.2.3 预测模型
        5.2.4 结果和分析
    5.3 实验与分析
        5.3.1 SVR模型有效性分析
        5.3.2 风电场预测结果分析
    5.4 本章小结
第六章 总结与展望
参考文献
致谢
攻读学位期间所获得的相关科研成果



本文编号：3781184