导读:本文包含了短期风速预测论文开题报告文献综述及选题提纲参考文献，主要关键词:风速预测,集合经验模态分解,样本熵,相空间重构
短期风速预测论文文献综述
赵征,乔锦涛[1]（2019）在《基于集合经验模态分解的神经网络短期风速组合预测研究》一文中研究指出针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果迭加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。(本文来源于《电力科学与工程》期刊2019年11期）
邹兰珍[2]（2019）在《基于CEEMD-CSO-ELM的短期风速预测》一文中研究指出风电在电网系统中的成功整合与应用需要风电机组或风电场产生的风电信息,又因为风速具有不可预测性、间歇性和非线性等特性,所以准确预测非常具有挑战性。因此,本文提出了一种基于互补经验模态分解(CEEMD)与CSO优化神经网络预测模型相结合的短期风速预测的新方法,来达到更优的预测效果。在本文中,CEEMD用于将风速数据分解为多个固有模态函数(IMFs)来进行预测;然后对所有分量建立纵横交叉算法优化极限学习机(CSO-ELM)的预测模型;最后迭加所有序列的预测值作为最终的预测结果。本文对荷兰某风电场的实测小时风速数据集进行大量实验得出结果,来验证所提方法的有效性。(本文来源于《现代信息科技》期刊2019年20期）
罗帅,丁勤卫,李春,黄致谦[3]（2019）在《风速时间序列混沌特征分析及非线性短期预测》一文中研究指出针对风能发电及天气预报等领域中一直是难点和重点的风速时间序列预测问题,首先分别通过相图法和最大Lyapunov指数法定性定量确定风速时间序列具有混沌特征;在此基础上,针对风速时间序列混沌特征结合相空间重构理论进行预测,根据C-C算法确定嵌入维数及延迟时间,将混沌理论应用于Volterra自适应模型,建立新的风速预测模型;以Lorenz方程为例验证该预测模型的准确性,并通过预测风速对比实测风速,进行误差分析。结果表明:风速时间序列具有明显的混沌特征;风速时间序列的混沌特征表明其长期预测是不现实的,但其确定性结构表明其具有短期可预测性;以预测Lorenz方程数值解的方式验证了Volterra自适应预测模型的准确性,其预测误差控制在10~(-4)以内;Volterra自适应预测模型可以对实测风速时间序列进行准确的预测,预测误差控制在0.1 m/s内。(本文来源于《能源工程》期刊2019年05期）
赵辉,华海增,岳有军,王红君[4]（2019）在《基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测》一文中研究指出针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和迭加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。(本文来源于《科学技术与工程》期刊2019年29期）
黄致谦,丁勤卫,李春[5]（2019）在《风速时间序列非线性短期预测》一文中研究指出针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。(本文来源于《热能动力工程》期刊2019年09期）
成骁彬[6]（2019）在《EMD和层迭式LSTM算法在短期风速预测中的应用》一文中研究指出风电作为再生资源的重要组成部分,已获得了广泛的关注。风力发电量多寡取决于对风速的精准预测。文章对于短时风速预测,提出了一种结合经验模态分解和层迭式长短期记忆算法,对短时风速进行预测。文章用一个来自风场的实际案例来验证本文提出的方法。(本文来源于《江苏科技信息》期刊2019年24期）
李大中,李颖宇,王超[7]（2019）在《基于卷积循环神经网络深度学习的短期风速预测》一文中研究指出由于风速具有随机性和间歇性的特点,以传统方法难以实现风速的精准测量及预测。风速信号对于风电机组输出功率稳定、电能质量提升优化等具有重要作用。基于此,提出一种基于卷积与循环神经网络相结合的深度学习实现风速预测的方法,并与其它方法做了对比分析。以某风电场2014—2015年机组历史大数据为依据,经过数据预处理随机选取44天数据对设计模型进行训练验证,结果与实际风速基本一致,并且效果好于其他方法。从该风场2015年历史大数据中再随机选取12天数据,进一步对模型泛化性能进行检验,结果表明该模型仍然能够实现风速的准确预测,泛化性能良好。(本文来源于《电力科学与工程》期刊2019年08期）
韩亚军,李太福[8]（2019）在《相空间重构短期风速与发电功率在线预测》一文中研究指出风力发电具有随机性、间歇性、波动性和难以精确预测的特点,针对大容量风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战的问题,根据风速的混沌特性,提出采用一种相空间重构理论短期预测方法。首先确定风速的最佳延迟时间τ和嵌入维数m,再次对m和τ的多组可行匹配,并找出一个最佳匹配进行样本相空间重构,最后使用BP神经网络进行短期风速预测。通过对重庆武隆地区某风电场的实测数据进行仿真,证明该方法的有效性和可行性,并且提高了短期发电功率预测精度,对并网风力发电系统的运行具有重要意义。(本文来源于《控制工程》期刊2019年08期）
李德顺,李宁,李银然,吴世龙,李仁年[9]（2019）在《基于小波分解的DIF-RBFNN超短期风速组合预测方法》一文中研究指出提出了一种基于小波分解(wavelet-decomposition)的数据输入格式-径向基神经网络(data input format-radial basis functional neural network)超短期风速组合预测模型.该模型首先将风速时间序列数据进行小波分解,减缓风速时间序列的波动性,然后将分解后的低频、高频部分分别建立数据输入格式(风速输入矩阵),并通过径向基神经网络模型进行预测,最后通过自适应迭加得到最终预测结果.结合宁夏某风场实测数据,将该预测模型和其他叁种预测模型的仿真实验结果与实测值进行对比,表明该组合预测模型具有较高的预测精度.(本文来源于《兰州理工大学学报》期刊2019年04期）
王宁,罗汝斌,廖俊,李珺,蒋祎[10]（2019）在《基于小波包分解的BP神经网络的短期风速预测》一文中研究指出针对风速信号不稳定而引起的风速预测精度不高问题,文章提出了一种短期风速预测方法,其通过小波包分解将不稳定的风速信号转化为相对稳定的风速信号,再对其进行BP神经网络预测,从而提高短期风速预测精度。仿真计算结果表明,基于小波包分解的BP神经网络的短期风速预测模型的平均绝对百分比误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)均低于其他短期风速预测方法的各项误差,在短期风速预测中具有一定的优越性。(本文来源于《控制与信息技术》期刊2019年04期）
短期风速预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
风电在电网系统中的成功整合与应用需要风电机组或风电场产生的风电信息,又因为风速具有不可预测性、间歇性和非线性等特性,所以准确预测非常具有挑战性。因此,本文提出了一种基于互补经验模态分解(CEEMD)与CSO优化神经网络预测模型相结合的短期风速预测的新方法,来达到更优的预测效果。在本文中,CEEMD用于将风速数据分解为多个固有模态函数(IMFs)来进行预测;然后对所有分量建立纵横交叉算法优化极限学习机(CSO-ELM)的预测模型;最后迭加所有序列的预测值作为最终的预测结果。本文对荷兰某风电场的实测小时风速数据集进行大量实验得出结果,来验证所提方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
短期风速预测论文参考文献
[1].赵征,乔锦涛.基于集合经验模态分解的神经网络短期风速组合预测研究[J].电力科学与工程.2019
[2].邹兰珍.基于CEEMD-CSO-ELM的短期风速预测[J].现代信息科技.2019
[3].罗帅,丁勤卫,李春,黄致谦.风速时间序列混沌特征分析及非线性短期预测[J].能源工程.2019
[4].赵辉,华海增,岳有军,王红君.基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测[J].科学技术与工程.2019
[5].黄致谦,丁勤卫,李春.风速时间序列非线性短期预测[J].热能动力工程.2019
[6].成骁彬.EMD和层迭式LSTM算法在短期风速预测中的应用[J].江苏科技信息.2019
[7].李大中,李颖宇,王超.基于卷积循环神经网络深度学习的短期风速预测[J].电力科学与工程.2019
[8].韩亚军,李太福.相空间重构短期风速与发电功率在线预测[J].控制工程.2019
[9].李德顺,李宁,李银然,吴世龙,李仁年.基于小波分解的DIF-RBFNN超短期风速组合预测方法[J].兰州理工大学学报.2019
[10].王宁,罗汝斌,廖俊,李珺,蒋祎.基于小波包分解的BP神经网络的短期风速预测[J].控制与信息技术.2019