風(fēng)速預(yù)測(cè)中數(shù)據(jù)和樣本的有效處理及其模型優(yōu)化研究.pdf

1、隨著能源危機(jī)、環(huán)境污染等問題的加劇，風(fēng)能因清潔無污染、分布廣、可再生等特點(diǎn)，受到了廣泛關(guān)注。風(fēng)力發(fā)電作為利用風(fēng)能的最主要手段，得到了快速發(fā)展，風(fēng)電在電網(wǎng)中的比重也日益增加。然而，風(fēng)的隨機(jī)性和間歇性等特點(diǎn)使得產(chǎn)生的風(fēng)電功率存在不穩(wěn)定性，增加了風(fēng)電的不可控性，使得風(fēng)電在并網(wǎng)時(shí)給電力系統(tǒng)的穩(wěn)定運(yùn)行造成嚴(yán)重威脅。因此，必須對(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行準(zhǔn)確地預(yù)測(cè)，以此來提高風(fēng)電的可控性，保障電力系統(tǒng)的穩(wěn)定運(yùn)行。
　　本文針對(duì)風(fēng)速預(yù)測(cè)建模中存在的問題，分

2、別從風(fēng)電場(chǎng)測(cè)風(fēng)數(shù)據(jù)的預(yù)處理、神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本優(yōu)選以及風(fēng)速預(yù)測(cè)模型的優(yōu)化等方面進(jìn)行研究，以此來提高預(yù)測(cè)結(jié)果的可靠性。本文主要研究工作如下：
　?。?）闡述了風(fēng)速預(yù)測(cè)的研究背景及意義，概述了風(fēng)速預(yù)測(cè)的分類、常用風(fēng)速預(yù)測(cè)方法的特點(diǎn)，給出了判斷風(fēng)速預(yù)測(cè)結(jié)果好壞的指標(biāo)，總結(jié)了風(fēng)速預(yù)測(cè)建模中存在的問題。
　　（2）以風(fēng)電場(chǎng)實(shí)際測(cè)風(fēng)數(shù)據(jù)為例，首先利用補(bǔ)充后的測(cè)風(fēng)數(shù)據(jù)檢驗(yàn)標(biāo)準(zhǔn)進(jìn)行測(cè)風(fēng)數(shù)據(jù)中壞數(shù)據(jù)的查找，并根據(jù)查找結(jié)果分析壞數(shù)據(jù)存在的不同情

3、況；然后對(duì)不同情況的壞數(shù)據(jù)，分別利用分段滑動(dòng)均值填補(bǔ)法、支持向量回歸填補(bǔ)法、分段滑動(dòng)均值填補(bǔ)法與支持向量回歸填補(bǔ)法相結(jié)合的方法進(jìn)行處理。仿真結(jié)果表明，不同情況的壞數(shù)據(jù)，本文處理方法均可獲得較好的結(jié)果。
　　（3）針對(duì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選取、隱含層結(jié)構(gòu)優(yōu)化問題，分別提出基于模糊聚類與隨機(jī)抽取的方法優(yōu)選訓(xùn)練樣本，灰關(guān)聯(lián)-貢獻(xiàn)度刪減法優(yōu)化隱含層結(jié)構(gòu)，并建立基于樣本優(yōu)選與結(jié)構(gòu)優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型和基于樣本優(yōu)選與結(jié)構(gòu)優(yōu)化的 GABP

4、神經(jīng)網(wǎng)絡(luò)風(fēng)速預(yù)測(cè)模型。仿真結(jié)果表明，利用本文方法優(yōu)選的訓(xùn)練樣本進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，可以有效地提高風(fēng)速預(yù)測(cè)結(jié)果的準(zhǔn)確性；利用灰關(guān)聯(lián)-貢獻(xiàn)度刪減法優(yōu)化隱含層結(jié)構(gòu)，不僅可以精簡(jiǎn)神經(jīng)網(wǎng)絡(luò)規(guī)模，而且使風(fēng)速預(yù)測(cè)模型的預(yù)測(cè)性能得到明顯改善。
　?。?）針對(duì)卡爾曼濾波算法在預(yù)測(cè)建模時(shí)存在的狀態(tài)方程和觀測(cè)方程難建立、觀測(cè)值如何選取等問題，本文在風(fēng)速預(yù)測(cè)建模時(shí)，引入一元時(shí)間序列和小波神經(jīng)網(wǎng)絡(luò)。首先利用風(fēng)速序列建立一元時(shí)間序列模型，并將其轉(zhuǎn)換到狀態(tài)空間中