导读:本文包含了风电功率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:风电功率预测,关键要素,约翰森协整,格兰杰因果检验
风电功率预测论文文献综述
丘刚,李国庆,张德亮,肖桂莲,刘大贵[1]（2019）在《基于约翰森协整及格兰杰因果检验的风电功率关键要素辨识与预测方法》一文中研究指出准确辨识影响风电功率走势的关键因素是开展风电功率预测的前提和基础,特别是在中长期风电功率预测中,需要综合考虑温度、气压、降水等多种因素。面对数量庞大的相关因素,辨识出与中长期风电功率趋势相关性最高的关键要素尤为重要。借鉴计量经济学相关原理,介绍了约翰森协整校验和格兰杰因果检验的基本概念与实施方法;在此基础上构建了基于约翰森协整与格兰杰因果检验的风电功率关键要素辨识方法,并采用支持向量机技术,提出了面向多要素的风电功率预测方法;最后基于某风电场实际数据构造算例,验证了所提出方法的有效性。(本文来源于《供用电》期刊2019年12期）
叶兴,薛家祥[2]（2019）在《改进型LSTM网络光伏发电功率预测研究》一文中研究指出针对现有光伏发电功率预测技术存在的未能充分考虑气象因素、提取特征不充分等导致预测精度较低的问题,基于深度学习理论,提出一种基于改进型LSTM网络的光伏发电功率预测方法。根据长短期记忆神经网络的特点,从循环神经网络(RNN)推导出其一般计算过程,阐述该预测方法的优越性和可行性。提出基于改进型长短期记忆(LSTM)网络的光伏发电率预测模型,该模型充分考虑并优化神经网络带来的过拟合问题,且引入RMSProp算法获取模型最佳的损失函数值,确保得到最佳的预测结果。综合考虑对光伏发电功率产生影响的多种气象因素,并将气象因素做标准化处理后作为模型的初始输入量,在Spyder软件上对预测模型进行仿真验证。最后将上述模型与单一输入因素进行比较,结果显示充分考虑气象因素的预测结果明显优于单一因素,仿真结果证明该模型具有较好的预测精度。(本文来源于《中国测试》期刊2019年11期）
邝梓佳,汤志锐,邱桂华[3]（2019）在《基于区域配电网的0.4 kV分布式光伏实时发电功率预测》一文中研究指出光伏并网发电对电网的稳定性有较大影响,特别是配电网0.4kV分布式光伏,其发电电量与实时发电功率对台区以及线路的稳定性将产生极大挑战。现对影响光伏发电的关键因素以及光伏实时发电功率预测方法进行了全面分析,并提出基于区域配电网的0.4kV分布式光伏实时发电功率预测算法,以实时预测区域0.4kV光伏发电功率,为管控0.4kV分布式光伏提供宝贵经验。(本文来源于《机电信息》期刊2019年33期）
杨锡运,康宁,杨雨薇,苏杰[4]（2019）在《基于EEMD的SOA-KELM风电功率概率性短期区间预测》一文中研究指出针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。(本文来源于《动力工程学报》期刊2019年11期）
李相俊,许格健[5]（2019）在《基于长短期记忆神经网络的风力发电功率预测方法》一文中研究指出风力发电过程具有较强的随机性,导致风力发电功率的预测准确度不高。针对上述问题,提出了一种融合深度学习算法的风力发电功率预测方法。以历史风力发电功率数据作为输入,建立风力发电功率预测模型,实现对未来一个时间刻度的风力发电功率预测。算例结果表明,与传统时序预测方法相比,基于长短期记忆神经网络的风力发电功率预测结果在各项指标中误差更小,验证了上述方法在风力发电功率预测中的可行性和有效性,提升了风力发电功率预测的准确性。(本文来源于《发电技术》期刊2019年05期）
杨茂,杨春霖,董骏城[6]（2019）在《基于预测误差分布优化模型的风电功率超短期概率区间预测研究》一文中研究指出提出一种基于预测误差分布优化模型的风电功率概率区间预测方法。由于风功率数据存在显着的时间相依结构,该方法首先对预测功率按出力不同进行划分,以划分区段内的预测误差为统计样本,分别采用多种分布模型拟合误差概率密度,通过拟合指标选择优化模型,进而求解该分布模型的累积概率,并通过计算指定置信水平下的置信区间进行概率区间预测。利用性能指标比较典型单一分布模型和优化模型的预测结果,表明基于优化模型的概率性预测区间覆盖率更高、平均带宽更窄、精度更好、效果更优。(本文来源于《太阳能学报》期刊2019年10期）
孙堃,赵萌萌,沈美娜,刘达,陈广娟[7]（2019）在《基于CEEMD和模糊熵的随机森林风力发电功率预测》一文中研究指出提出一种基于完备总体经验模态分解(CEEMD)和模糊熵的随机森林(RF)风力发电功率预测模型。利用CEEMD将目标序列细分为若干子序列,放大输入变量波动对最终输出结果的影响。以模糊熵值大小作为重组的评判指标,将复杂程度相近的子序列重新组合成为若干新序列。再针对不同波动属性的序列建立随机森林模型并进行模型参数优化。实证分析表明推荐模型在选取数据集中具有更好的预测能力,从而验证了该方法在风力发电功率预测领域的可行性和有效性。(本文来源于《智慧电力》期刊2019年10期）
程港,林小峰,宋绍剑,林予彰,黄清宝[8]（2019）在《基于PCA-GA-ELM的光伏发电功率预测研究》一文中研究指出针对目前光伏发电功率预测方法所存在的预测精度较低和不同天气类型适应性较弱的问题,提出一种利用主成分分析(PCA)和遗传算法(GA)改进极限学习机(ELM)的光伏发电功率预测模型(PCA-GA-ELM预测模型)。该模型的计算过程:首先,基于季节因素和天气类型等气象因素对于光伏发电系统的影响,在不同季节下建立了不同的子模型,并利用灰色关联分析法选取同种天气类型下的相似日;然后,利用PCA将多个原始输入变量降维成少数彼此独立的变量;最后,利用GA对ELM的初始权值和阈值进行寻优。此外,文章利用光伏电站的实际发电功率数据对预测模型进行验证。分析结果表明,PCA-GA-ELM预测模型具有较高的预测精度和较强的泛化能力。(本文来源于《可再生能源》期刊2019年10期）
侯梦玲[9]（2019）在《超短期风电功率预测研究现状》一文中研究指出本文将简述风电场超短风电功率预测误差对电力供应的影响,指出影响风电场超短期风电功率预测的因素,分析风电场超短期风电功率预测研究现状。(本文来源于《电子技术与软件工程》期刊2019年19期）
刘家敏,李聪睿,周志浩,李升[10]（2019）在《基于WD-CS-SVM的超短期风电功率组合预测》一文中研究指出为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果迭加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。(本文来源于《电力工程技术》期刊2019年05期）
风电功率预测论文开题报告
（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：
针对现有光伏发电功率预测技术存在的未能充分考虑气象因素、提取特征不充分等导致预测精度较低的问题,基于深度学习理论,提出一种基于改进型LSTM网络的光伏发电功率预测方法。根据长短期记忆神经网络的特点,从循环神经网络(RNN)推导出其一般计算过程,阐述该预测方法的优越性和可行性。提出基于改进型长短期记忆(LSTM)网络的光伏发电率预测模型,该模型充分考虑并优化神经网络带来的过拟合问题,且引入RMSProp算法获取模型最佳的损失函数值,确保得到最佳的预测结果。综合考虑对光伏发电功率产生影响的多种气象因素,并将气象因素做标准化处理后作为模型的初始输入量,在Spyder软件上对预测模型进行仿真验证。最后将上述模型与单一输入因素进行比较,结果显示充分考虑气象因素的预测结果明显优于单一因素,仿真结果证明该模型具有较好的预测精度。
（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。
风电功率预测论文参考文献
[1].丘刚,李国庆,张德亮,肖桂莲,刘大贵.基于约翰森协整及格兰杰因果检验的风电功率关键要素辨识与预测方法[J].供用电.2019
[2].叶兴,薛家祥.改进型LSTM网络光伏发电功率预测研究[J].中国测试.2019
[3].邝梓佳,汤志锐,邱桂华.基于区域配电网的0.4kV分布式光伏实时发电功率预测[J].机电信息.2019
[4].杨锡运,康宁,杨雨薇,苏杰.基于EEMD的SOA-KELM风电功率概率性短期区间预测[J].动力工程学报.2019
[5].李相俊,许格健.基于长短期记忆神经网络的风力发电功率预测方法[J].发电技术.2019
[6].杨茂,杨春霖,董骏城.基于预测误差分布优化模型的风电功率超短期概率区间预测研究[J].太阳能学报.2019
[7].孙堃,赵萌萌,沈美娜,刘达,陈广娟.基于CEEMD和模糊熵的随机森林风力发电功率预测[J].智慧电力.2019
[8].程港,林小峰,宋绍剑,林予彰,黄清宝.基于PCA-GA-ELM的光伏发电功率预测研究[J].可再生能源.2019
[9].侯梦玲.超短期风电功率预测研究现状[J].电子技术与软件工程.2019
[10].刘家敏,李聪睿,周志浩,李升.基于WD-CS-SVM的超短期风电功率组合预测[J].电力工程技术.2019