免費(fèi)下載！
[!--downpath--]分類號(hào)：ＵＤＣ：密級(jí)：單位代碼：１００７８華東水利水電學(xué)院碩士學(xué)位論文基于ＮＷＰ數(shù)據(jù)的風(fēng)電場短期功率預(yù)測研究ＳｔｕｄｙＷｉｎｄＰｏｗｅｒＳｈｏｒｔ－ＴｅｒｍＰｒｅｄｉｃｔｉｏｎＢａｓｅｄＯｎＮＷＰ研究生姓指導(dǎo)教專業(yè)名所在學(xué)名：電力堂醫(yī)２０１獨(dú)立完成與誠信申明ＪｉｌｌｌｌｌｌｌｌｌｌｉＪＪｌｌｌｌｌｌｌｌｌｌｆＪｍｆｌｌｉｌｌｌｌＪｌｌｌｌｐｌｌＵｌ『Ｙ２２８５６１８本人誠懇申明：所遞交的學(xué)位論文，是本人在指導(dǎo)班主任的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的研究成果并撰寫完成的。沒有抄襲、抄襲等違背學(xué)術(shù)道德、學(xué)術(shù)規(guī)范的侵權(quán)行為。文中除早已標(biāo)明引用的內(nèi)容外，本學(xué)位論文中不包含其他人或集體早已發(fā)表或撰寫過的研究成果，也不包含為獲得華東水利水電學(xué)院或其它教育機(jī)構(gòu)的學(xué)位或證書所使用過的材料。對(duì)本文的研究作出重要貢獻(xiàn)的個(gè)人和集體，均已在文中作了明晰的說明并表示了歉意。本人完全意識(shí)到本申明的法律后果由本人承當(dāng)。ｆ保證人（導(dǎo)師）簽名簽字日期：矽ｆ三，ｒ?qū)W位論文版權(quán)使用授權(quán)書本人完全了解華東水利水電學(xué)院有關(guān)保管、使用學(xué)位論文的規(guī)定。特授權(quán)華東水利水電學(xué)院可以將學(xué)位論文的全部或部份內(nèi)容公開和編入有關(guān)數(shù)據(jù)庫提供檢索，并采用翻印、縮印或掃描等復(fù)制手段復(fù)制、保存、匯編以供查閱和借書。
同意中學(xué)向國家有關(guān)部門或機(jī)構(gòu)送交論文原件或打印件和電子文檔。（涉密的學(xué)位論文在揭秘后應(yīng)遵循此規(guī)導(dǎo)師簽名：簽字日期：ｌ。ｆ３ｒ！．ｆ簽字日期：摘要基于ＮＷＰ數(shù)據(jù)的風(fēng)電場短期功率預(yù)測研究摘要隨著風(fēng)電規(guī)模的降低，風(fēng)電在給我們帶來多方面的利益的同時(shí)，也給電網(wǎng)的運(yùn)行帶來了挑戰(zhàn)，當(dāng)風(fēng)電穿透功率超過一定值以后，都會(huì)嚴(yán)重影響到電能質(zhì)量和電力系統(tǒng)的穩(wěn)定運(yùn)行，并且會(huì)殃及常規(guī)發(fā)電形式，主要表現(xiàn)為電流和頻度會(huì)有較大幅度的波動(dòng)。更嚴(yán)重的是，當(dāng)風(fēng)馬達(dá)組因?yàn)轱L(fēng)速過大而退出運(yùn)行時(shí)，可能會(huì)給電力系統(tǒng)導(dǎo)致無法承受的沖擊。因而，對(duì)風(fēng)電的輸出功率進(jìn)行確切的預(yù)測，除了可以降低風(fēng)電并網(wǎng)給電網(wǎng)帶來的沖擊力和不穩(wěn)定性，同時(shí)也可以合理的調(diào)配電力資源，致使風(fēng)電發(fā)揮更大的作用。本論文在當(dāng)前國外外風(fēng)電功率研究現(xiàn)況的基礎(chǔ)上，對(duì)風(fēng)功率短期預(yù)測的方式展開了進(jìn)一步的研究，論文具體工作如下：（１）剖析風(fēng)馬達(dá)組風(fēng)速一功率模型，研究天氣變化對(duì)對(duì)風(fēng)馬達(dá)組實(shí)際功率輸出的影響，構(gòu)建風(fēng)電場功率短期預(yù)測的ＢＰ神經(jīng)網(wǎng)路模型，運(yùn)用數(shù)值天氣預(yù)報(bào)（ＮＷＰ）數(shù)據(jù)作為輸入，風(fēng)電場實(shí)際輸出功率為網(wǎng)路輸出目標(biāo)值，對(duì)ＢＰ神經(jīng)網(wǎng)路進(jìn)行訓(xùn)練，用訓(xùn)練好的ＢＰ神經(jīng)網(wǎng)路對(duì)未來１２小時(shí)、２４小時(shí)、４８小時(shí)和７２小時(shí)的風(fēng)電場輸出功率進(jìn)行預(yù)測，預(yù)測平方絕對(duì)偏差分別為：６．３３％、８．８１％、１３．６７％和１３．０３％；（２）借助ＬＭ算法優(yōu)化ＢＰ神經(jīng)網(wǎng)路模型，用優(yōu)化好的模型和標(biāo)準(zhǔn)的ＢＰ網(wǎng)路模型進(jìn)行比較，結(jié)果顯示，優(yōu)化后的模型訓(xùn)練速率更快，預(yù)測精度更高；（３）借助迭代自組織數(shù)據(jù)剖析技術(shù)（ＩＳＯＤＡＴＡ）降維算法，對(duì)ＮＷＰ數(shù)據(jù)進(jìn)行降維運(yùn)算，借助降維的ＮＷＰ數(shù)據(jù)對(duì)優(yōu)化后的ＢＰ神經(jīng)網(wǎng)路進(jìn)行訓(xùn)練，用訓(xùn)練后的ＢＰ神經(jīng)網(wǎng)路對(duì)風(fēng)電場功率進(jìn)行預(yù)測，得到降維后的ＢＰ神經(jīng)網(wǎng)路預(yù)測平方絕對(duì)偏差分別為：６．３１％、７．１６％、１０．５４％和９．９８％。
關(guān)鍵詞：風(fēng)電功率；ＢＰ神經(jīng)網(wǎng)路；數(shù)值天氣預(yù)報(bào)（ＮＷＰ）；降維算法；ＬＭ算法華東水利水電學(xué)院碩士學(xué)位論文ＡＢｓＴＲＡＣＴＳＴＵＤＹＯＦＷＩＮＤＰＯＷＥＲＳＨＯＲＴ－ＴＥＲＭＰＲＥＤｌＣＴＩＯＮＢＡＳＥＤＯＮＮＷＰＡＢＳＴＲＡＣＴＷｉｔｈｉｎｃｒｅａｓｉｎｇｓｃａｌｅｗｉｎｄｐｏｗｅｒｗｉｎｄｐｏｗｅｒｂｒｉｎｇｓｍａｎｙｂｅｎｅｆｉｔｓｓａｍｅｔｉｍｅ，ａｌｓｏｂｒｉｎｇｓｃｈａｌｌｅｎｇｅｓｇｒｉｄｏｐｅｒａｔｉｏｎ，ｗｈｅｎｗｉｎｄｐｏｗｅｒｐｅｎｅｔｒａｔｉｏｎｅｘｃｅｅｄｓａｃｅｒｔａｉｎｖａｌｕｅ風(fēng)電功率預(yù)測matlab，ｔｈｅｐｏｗｅｒｑｕａｌｉｔｙｐｏｗｅｒｓｙｓｔｅｍｏｐｅｒａｔｉｏｎｓｅｒｉｏｕｓｌｙａｆｆｅｃｔｅｄ，ｂｕｔａｌｓｏｎｏｒｍａｌｐｏｗｅｒｇｅｎｅｒａｔｉｏｎｆｌｕｃｔｕａｔｉｏｎｆｒｅｑｕｅｎｃｙ．Ｗｈａｔｍｏｒｅｓｅｒｉｏｕｓｗｉｎｄｐｏｗｅｒｇｅｎｅｒａｔｏｒｏｕｔｏｐｅｒａｔｉｏｎｄｕｅｔｏｏｌａｒｇｅ，ｍａｙｃａｕｓｅｕｎｂｅａｒａｂｌｅｉｍｐａｃｔｅｌｅｃｔｒｉｃｐｏｗｅｒｓｙｓｔｅｍ．Ｔｈｅｒｅｆｏｒｅ，ａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｏｕｔｐｕｔｐｏｗｅｒｗｉｎｄｐｏｗｅｒｎｏｔｏｎｌｙｃａｎｒｅｄｕｃｅｗｉｎｄｐｏｗｅｒｉｎｔｅｇｒａｔｉｏｎｇｄｄ，ｂｕｔａｌｓｏｃａｎｄｅｐｌｏｙｐｏｗｅｒｒｅｓｏｕｒｃｅｓｒａｔｉｏｎａｌｌｙｔｏｍａｋｅｗｉｎｄｐｌａｙａｇｒｅａｔｅｒｒｏｌｅ．Ｉｎｗｉｎｄｐｏｗｅｒｐｒｅｓｅｎｔ，ｃａｒｒｉｅｄＯｕｔｆｕｒｔｈｅｒｒｅｓｅａｒｃｈｗｉｎｄｐｏｗｅｒｓｈｏｒｔ－ｔｅｒｍｆｏｒｅｃａｓｔ，ｔｈｅｃｏｎｃｒｅｔｅｗｏｒｋｆｏｌｌｏｗｓ：（１）Ａｎａｌｙｓｉｓｗｉｎｄｔｕｒｂｉｎｅｗｉｎｄ．ｐｏｗｅｒｍｏｄｅｌ，ｅｆｆｅｃｔｓｃｌｉｍａｔｅｃｈａｎｇｅｗｉｎｄｔｕｒｂｉｎｅｐｏｗｅｒｏｕｔｐｕｔ．ＴｏｅｓｔａｂｌｉｓｈＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｓｈｏｒｔ．ｔｅ砷ｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｉｏｎ，ａｐｐｌｉｃａｔｉｏｎｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅｄｉｃｔｉｏｎ（ＮＷＰｌｄａｔａｉｎｐｕｔ，ｔｈｅａｃｔｕａｌｏｕｔｐｕｔｐｏｗｅｒｗｉｎｄｆａｒｍｏｕｔｐｕｔｔａｒｇｅｔｖａｌｕｅｎｅｔｗｏｒｋ，ｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋＷａｓｔｒａｉｎｅｄ，ｔｈｅｏｕｔｐｕｔｐｏｗｅｒｗｉｎｄｆａｒｍｎｅｘｔ１２ｈｏｕｒｓ．２４ｈｏｕｒｓ，４８ｈｏｕｒｓ７２ｈｏｕｒｓｔｒａｉｎｅｄＢＰｎｅｕｒａｌｎｅ咖ｒｌ（．ａｎｄａｎａｌｙｓｉｓｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ，ｔｈｅｓｑｕａｒｅａｂｓｏｌｕｔｅｅｒｒｏｒｐｒｅｄｉｃｔｉｏｎｒｅｓｐｅｃｔｉｖｅｌｖｉｓ：６．３３％，８．８１％，１３．６７％ａｎｄ１３．０３％．（２）ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｏｐｔｉｍｉｚｅｄｍｏｄｅｌｓｔａｎｄａｒｄｍｏｄｅｌＩＩＩｕｓｉｎｇＬＭａｌｇｏｒｉｔｈｍ；ｔｈｅｏｐｔｉｍｉｚｅｄ華東水利水電學(xué)院碩士學(xué)位論文（３）Ｔｏｕｓｅｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇｄａｔａａｎａｌｙｓｉｓｔｅｃｈｎｉｑｕｅ（ＩＳＯＤＡＴＡ）ｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ，ＮＷＰｄａｔａｃｌｕｓｔｅｒｅｄ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｃｌｕｓｔｅｒｅｄＮＷＰｄａｔａ，ｔｈｅｗｉｎｄｐｏｗｅｒｐｒｅｄｉｃｔｅｄｕｓｉｎｇｔｒａｉｎｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ風(fēng)電功率預(yù)測matlab，ｃｏｍｐａｒｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｃｌｕｓｔｅｒｅｄｂｅｆｏｒｅ，ｔｈｅｓｑｕａｒｅａｂｓｏｌｕｔｅｅｒｒｏｒｃｌｕｓｔｅｒｅｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｒｅｓｐｅｃｔｉｖｅｌｙｉｓ：６．３１％．７．１６％．１０．５４％ａｎｄ９．９８％．ＫＥＹＷＯＲＤＳ：Ｗｉｎｄｐｏｗｅｒ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；Ｎｕｍｅｒｉｃａｌｗｅａｔｈｅｒｐｒｅｄｉｃｔｉｏｎ（ＮＷＰ）；Ｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍ；ＬＭａｌｇｏｒｉｔｈｍ目錄目錄摘要………二…………………………………………………………………………………ＩＡＢＳＴＲＡＣＴ…………………………………………………………………………………………ＩＩＩ１總論…………………………………………………………………………………………………………………………１１．１課題研究的背景、目的及意義…．．．．．．．．．．．．……………．．．．……．．．．．．．．．．．．…．．１１．２風(fēng)電場功率短期預(yù)測的國外外研社究現(xiàn)況．……………．．．．．．．………．．．…．………．４１．３課題的研究內(nèi)容及論文安排．．．．．．．．．．………．．……．．．．．．．………．．．．．．．．．．…．．６２風(fēng)電場功率預(yù)測數(shù)據(jù)獲取…………………………………………………………………．８２．１生物質(zhì)能參數(shù)類型…．．．．．…．．．．．…．．．．…．．．………………．．．．…．……．…．．．．．．８２．１．１生物質(zhì)能參數(shù)種類剖析．．．．．．．．．．．．．．…………………．…．．．．．．．……．……．．．８２．１．２生物質(zhì)能功率的物理模型．．．．．．．．．．………………………．．．．．．．．．…………．．１２２．２風(fēng)力發(fā)電機(jī)輸出功率物理模型……………………．．．．．．．．．．．．…．……．．．．．．．．．｛２２．３ＮＷＰ數(shù)據(jù)獲取…．．…．．．．……………．………．………．．．．．．．．．．……．……１４２．３．１ＮＷＰ數(shù)據(jù)獲取．．．．．…．．…．…．．．……．．．……．．．…．．．．．．…．．…………．．１４２．３．２預(yù)測方式選定．…．…………．．．…．．．……．………．．…．．．．．．．．．．．．．．…．．１４３神經(jīng)網(wǎng)路在短期風(fēng)電場功率預(yù)測中的應(yīng)用………………………………………………１８３．１神經(jīng)網(wǎng)路原理剖析．．．．．．．．．．．．．．．．．．．．．．．．．．．．．…．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．１８３．１．１神經(jīng)網(wǎng)路基本概念．．．．．…．．．．．……．．。
…。．。。．．…．。。………………，．．．…１８３．１．２神經(jīng)網(wǎng)路學(xué)習(xí)方法．．．．．…．．．．……．．……．．．．…………………．．．．．．．．．．２０３．１．３常用神經(jīng)網(wǎng)路模型………………………………………．．．．．．．．．．．．．．．．２１ＢＰ神經(jīng)網(wǎng)路原理…………．……．…………．…………………．．．．．．．．．…．２２３．２．１ＢＰ神經(jīng)網(wǎng)路簡介．．………………．．……．．．．……．…．………………．．２２３．２．２即神經(jīng)網(wǎng)路算法設(shè)計(jì)．．…．．．…．……．．…．．．．．…．．………．……………．２２３．３ＢＰ網(wǎng)路在風(fēng)電場功率短期預(yù)測中的應(yīng)用…．．…．…．．．．…．．．．．．．．…．……………．２４３．３．１數(shù)據(jù)預(yù)處理．．．……………………………………………。。．。．．．．。．…２４３．３．２模型構(gòu)建……………．………………．…………………．…．…．…．２７３．３．３算例剖析．．……．．．．．…．…．．．…．．．…．．．．．．．．．．．．…．．……．．．………．．２７３．４風(fēng)功率預(yù)測結(jié)果評(píng)價(jià)…．．……………………………………．．．．．………．．３０４改進(jìn)ＢＰ網(wǎng)路在風(fēng)電場功率短期預(yù)測中的應(yīng)用…………………………………………．３３４．１ＬＭ算法優(yōu)化神經(jīng)網(wǎng)路．．．．．．．．．．．．．．．，．．…．．…．．．．．．………．．……．．．．．．．．．．．…３３４．１．１堋算法原理剖析．．．．．…．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．…．．．．．．．３３
