風速相似性形態(tài)研究及其在短期風速預測中的應用.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、風能的波動性,影響了電力系統(tǒng)的安全和穩(wěn)定。準確的短期風速預測是電力系統(tǒng)可靠運行的一個重要保障。本文從風速的日變化與下墊面地表溫度關系密切而呈現(xiàn)24小時弱周期變化的特點出發(fā),查找風速數(shù)據(jù)的相似性序列,采用動態(tài)時間規(guī)整法和相關系數(shù)法組合預報,進行短期風速預測。
  因為進行風速預測的原始數(shù)據(jù)存在缺陷,不能直接用于預測,所以先要對原始風速數(shù)據(jù)進行質量控制,因此,本文的研究工作主要包括原始風速數(shù)據(jù)的質量控制和短期風速預報兩方面,其中主要的

2、創(chuàng)新在于提出了構造基于熵權的缺損風速集成填充模型和采用基于改進的廣義回歸神經(jīng)網(wǎng)絡進行短期風速預測兩點。原始風速數(shù)據(jù)的質量控制中最重要的就是缺損數(shù)據(jù)的填充問題,本文采用了基于風速相似性形態(tài)分析的風電機缺損測量風速集成填充方法。首先,在現(xiàn)有空間鄰點法(SNN)的基礎上,以“成員等同性”為評價標準,引入了動態(tài)時間規(guī)整法(DTW)和相關系數(shù)法(PCC),分別搜尋與缺損測量風速風電機風速演化最為相似的若干臺風電機及對應的測量風速時序,建立基于廣義

3、回歸神經(jīng)網(wǎng)絡(GRNN)的填充子模型,采用粒子群算法對廣義回歸神經(jīng)網(wǎng)絡的模型參數(shù)和訓練集的構成進行全局優(yōu)化,之后選取較好的子模型構造自適應的基于信息熵的集成填充模型。在短期風速預測方面,分別采用動態(tài)時間規(guī)整法和相關系數(shù)法,對預報風機數(shù)據(jù)與所有風機數(shù)據(jù)逐日對應一定時段的風速子序列進行相似性分析,提取演化最相似的若干子序列的風速數(shù)據(jù),分別建立基于動態(tài)時間規(guī)整法和相關系數(shù)法的廣義回歸神經(jīng)網(wǎng)絡子模型預報單元,各子模型的具體參數(shù)采用粒子群算法進行

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論