基于混合优化模型的短期风速预测

论文摘要

风能是一种依赖气候驱动的有前景的可再生能源,有助于克服化石燃料燃烧造成的全球变暖和环境污染,它具有极高的社会效益和经济效益。可再生能源的使用是人类社会可持续发展的必然选择,风能在20世纪70年代被引入替代能源,自20世纪90年代以来增长速度比其他任何能源都快。然而随着风力发电的快速发展,出现了很多问题,与风力发电相关的主要问题之一是风速的不稳定性和持续波动性极大地影响了电力系统的调度和风力涡轮机的动态控制,因此准确的风速预测对于风能转换系统的稳定运行至关重要。本文提出了一种基于数据预处理技术与神经网络技术相结合的短期风速预测模型,即WD-VMD-MEA-Elman混合模型。本文研究了如何通过数据预处理技术提高风速预测的精度,使用优于经验模态分解（EEMD）的变分模态分解（VMD）技术来分解风速数据集,针对VMD分解所需的最优模态数K和最优惩罚参数α不确定性的问题,引入了布谷鸟搜索算法（CS）自适应地确定K和α,并应用了一种新的算法——思维进化算法（MEA）去优化Elman神经网络。本文提出的模型首先使用小波分解对原始风速数据进行去噪,然后用布谷鸟搜索算法自适应的确定变分模态分解（VMD）所需的最优参数值,利用该最优参数值将去噪数据分解为若干固有模态（IMF）子序列,最后,由思维进化算法优化的Elman神经网络分别对各个模态子序列进行预测。该模型融合了小波去噪、VMD分解、优化算法和神经网络的优势,有效提高了风速预测精度。该模型使用河西走廊酒泉和张掖两地真实的风速数据进行验证并与WD-VMD-GA-Elman、WD-VMD-PSO-Elman和WD-EEMD-MEA-Elman等模型进行对比,结果表明,该混合模型可以实现比其他比较模型更精确的预测。

论文目录

• 中文摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景和意义
•   1.2 国内外研究现状
•   1.3 国内外研究方法总结
•   1.4 本文混合模型介绍及创新点
•   1.5 文章结构介绍
• 第二章 基本方法和模型构建
•   2.1 小波去噪（WD）
•     2.1.1 小波分解与重构：Mallat算法
•     2.1.2 小波阈值去噪步骤
•     2.1.3 小波去噪的评价
•   2.2 VMD分解
•     2.2.1 VMD分解基本算法
•     2.2.2 基于布谷鸟搜索算法优化的VMD参数寻优
•   2.3 Elman神经网络
•     2.3.1 Elman神经网的结构
•     2.3.2 Elman神经网络的学习算法
•   2.4 思维进化算法
•     2.4.1 思维进化算法的术语和基本概念
•     2.4.2 思维进化算法的步骤
•     2.4.3 思维优化算法优化的Elman神经网络
•   2.5 WD-VMD-MEA-Elman模型的提出和构建过程
• 第三章 实证分析
•   3.1 数据信息
•   3.2 模型评价指标
•   3.3 实验一
•     3.3.1 实验一步骤
•     3.3.2 模型比较和结果分析
•   3.4 实验二
• 第四章 结论
•   4.1 结论
•   4.2 不足和展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 窦英杰

导师: 焦桂梅

关键词: 风速预测,小波去噪,变分模态分解,布谷鸟搜索算法,思维进化算法,神经网络

来源: 兰州大学

年度: 2019

分类: 基础科学

专业: 气象学

单位: 兰州大学

分类号: P457.5

总页数: 52

文件大小: 3007K

下载量: 161