导读:本文包含了风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:GM(1,1),年平均风速预测,平移变换,背景值
风功率预测论文文献综述
马东[1]（2019）在《基于灰色GM(1,1)改进模型的年度风功率预测》一文中研究指出通过对累加生成序列进行平移变换和改善背景值构造公式,建立了GM(1,1)的改进模型,并应用该改进模型对某风电场测风塔年平均风速进行预测,结果表明改进模型的预测精度有一定提高。(本文来源于《应用能源技术》期刊2019年11期）
丁家乐,陈国初,原阔[2]（2019）在《基于改进萤火虫算法的短期风功率预测》一文中研究指出针对传统的回声状态网络序列对随机性大、波动性强的风功率预测精度不高的问题,提出一种基于改进互补集合经验模态分解和改进萤火虫算法优化回声状态网络的风功率预测模型。利用改进互补集合经验模态分解将风功率数据分解成一系列的本征模态函数,用回声状态网络模型分别对分解后的本征模态函数进行预测,利用改进萤火虫算法寻找模型的最优权值,将输出结果加权合并为最终的风功率预测值。仿真结果表明,所提出的预测方法有较高的预测精度。(本文来源于《系统仿真学报》期刊2019年11期）
郑海,陈湘萍,李慧,郑友康[3]（2019）在《小波变换和RBF神经网络的风功率预测》一文中研究指出针对风电场输出功率表征的周期性及随机、间隙、非平稳特性,提出一种小波变换(Wavelet Transform,WT)和径向基神经网络(RBFNN)相结合的风功率预测方法,并引入平均温度、相对湿度及降雨量等气象因素预测未来一段时间的风电功率输出。小波分解能有效地表征风电场输出功率时间序列的局部特征;人工智能方法可以捕捉到风力发电中的非线性特性。引入气象因素的WT和RBF神经网络预测方法能有效地提高预测准确度。以平均绝对误差和均方根误差为预测评价指标,与RBF神经网络方法相比,提出的小波变换和RBF神经网络预测方法具有更好的预测效果,从而可减少风电波动性对电网的影响,提高电网的安全性和可靠性。(本文来源于《实验室研究与探索》期刊2019年10期）
林琳,于立杰,李超[4]（2019）在《计及综合成本影响因素的风功率预测研究》一文中研究指出风能具有随机性与波动性特点,大规模的风电接入将会给电力系统的稳定运行造成影响。准确进行风功率预测能够为提高电网运行稳定性提供有力支撑,为电网的实时调度提供有利指导。因此提出了一种计及综合成本影响因素的风功率超短期预测方法,首先建立了风电功率的综合成本影响因素模型,然后在此基础上构建了基于BP神经网络的风功率预测模型,并基于蚁群算法对该模型进行参数优化改进。通过与基于传统人工神经网络和支持向量机理论的预测模型进行仿真对比,结果表明所提算法能够更充分地挖掘风功率与其影响因素数据间的非线性复杂映射关系,并能够更好地减少网络层参数的训练时间,提高收敛速度,极大地提高了风功率预测的稳定性和精度。(本文来源于《电子测量技术》期刊2019年19期）
任建龙,赵巧娥,严志伟,高金城[5]（2019）在《大数据下基于IPSO优化模糊PSR-KELM模型预测风功率》一文中研究指出该文利用改进粒子群算法分别优化模糊C均值聚类算法以及基于相空间重构技术和核极限学习机组合模型(PSR-KELM模型)的四参数预测风速。首先,利用优化之后的模糊C均值聚类算法计算风电场实际采集风速数据的模糊隶属度并进行分类,形成代表性强的预测风速模糊样本数据;其次,对PSR-KELM模型的四参数(τ,m,γ,σ)进行优化;最后,基于风速模糊样本数据以及优化四参数的PSR-KELM模型预测风速。以晋北风场作为实例,通过分析其现场实际运行数据,与四参数优化的PSR-KELM模型、模糊四参数优化的PSRKELM模型相比,改进移动平均平滑算法可以有效滤除异质值,拟合出更接近风电场实际运行状况的风速-功率曲线。(本文来源于《自动化与仪表》期刊2019年08期）
赵睿智,丁云飞[6]（2019）在《基于粒子群优化极限学习机的风功率预测》一文中研究指出风电功率预测为电网规划提供重要的依据,研究风电功率预测方法对确保电网在安全稳定运行下接纳更多的风电具有重要的意义。针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,现将粒子群优化算法(PSO)应用于ELM中,提出了一种基于粒子群优化极限学习机的风功率预测方法。该方法首先将数值天气预报信息(NWP)数据进行数据预处理,并构建出训练样本集,随后建立ELM模型,利用粒子群算法优化ELM中的输入权值和阈值,从而建立起基于NWP和PSO-ELM风功率预测模型。对华东地区3个不同装机容量的风场NWP数据进行实验。结果表明:该方法的预测精度高且稳定性能好,能够为风电场功率预测以及风电并网安全可靠性提供科学有效的参考依据。(本文来源于《上海电机学院学报》期刊2019年04期）
马然,栗文义,齐咏生[7]（2019）在《基于风功率数据的风电机组性能预测与健康状态评估》一文中研究指出为及时准确地预测风电机组整机性能,文章基于风功率数据提出了一种考虑工况波动的相似性度量算法,结合概率和模糊理论评估机组健康状态。该方法基于聚类思想对风功率数据进行数据预处理和工况划分,针对工况子空间的正常样本与测试样本,基于主成分分析法以第二主成分方向上投影变量的标准差作为样本相似性度量指标,依据概率不确定性融合得到综合健康状态指标,量化机组性能的退化程度。结合机组性能实际退化过程,依据模糊理论确定健康状态隶属度,基于隶属度最大原则和信度准则判断机组健康状态等级。将该方法应用于某具有小样本数据的实例中,可提前两周获知风电机组发生异常,对机组健康状态的过渡过程作出了准确评估,验证了所提方法的可行性。(本文来源于《可再生能源》期刊2019年08期）
张俭[8]（2019）在《基于深度学习的风功率预测模型的研究》一文中研究指出风电场功率预测系统用于预测风力发电场未来一段时间的发电能力,便于电网进行电力调度,该系统是风电场并网发电的必要条件。目前,国内大部分的功率预测系统的预测精度都无法达到电网调度中心的要求。为了提高风电场功率预测的精度,对深度学习在功率预测模型中的应用展开研究,从数据质量控制、数值气象预报匹配、功率预测模型的设计等角度减小功率预测模型的误差。此外,针对部分风电场冬季风机凝冻无法发电的问题,提出基于长短期记忆网络的风机凝冻预测方法,该研究成果可提升风电场发电能力,有较高的实际应用价值。主要研究内容包括以下几点:(1)针对风电场历史数据存在大量异常数据、缺失数据的问题,研究了包括数据异常检测和数据断点填补的数据质量控制流程。对基于长短期记忆网络(Long Short-Term Memory,LSTM)网络的数据异常检测方法进行了研究,并与多种基于机器学习算法的异常检测方法进行了实验对比;对基于多视图学习的数据填补方法进行了研究,并与传统的插值法和基于整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)预测的数据填补方法进行了实验对比。(2)针对现有风功率预测系统准确率偏低的问题,研究了基于数值气象预报的功率预测模型。因数值气象预报普适性较差,提出基于相似性排序的数值气象预报数据源匹配方法;设计了基于四层反向传播(Back Propagation,BP)神经网络的功率预测模型,与同类型的模型相比,该模型建立了更为精准的风与功率之间的映射关系,极大地降低了因模型造成的误差。(3)针对部分风力发电场冬季风机凝冻影响发电的问题,研究了基于LSTM网络的凝冻预测方法。由于数值气象预报中温度、湿度等直接影响凝冻概率的因素误差较大,本文中使用风电场测风塔的实时测量数据代入LSTM网络模型进行未来一段时间的温度和湿度预测。实验表明,LSTM网络的预测结果与基于ARIMA的时间序列预测方法相比,预测结果与实际数据的拟合度更高。本文中研究的功率预测模型在多家风电场进行了测试,平均准确率在83%以上,在国内属于较高水平。本文中的凝冻预测模型可较为准确地预测风电场未来一段时间的温度和湿度情况,根据该预测结果,风电场可合理安排风力发电机加热系统的启动时间,防止风力发电机凝冻造成的损失,该方面的实际应用研究在国内尚属首例。(本文来源于《北京交通大学》期刊2019-06-26）
李艺[9]（2019）在《风力发电模型及风功率预测方法研究》一文中研究指出首先详细介绍了风力发电的模型,阐述了输出功率和风速的关系,对影响功率输出的气压、温度和湿度等因素进行了详细的分析。然后介绍了基于神经网络法的风功率预测方法,并通过建模对基于神经网络法的风功率预测进行了仿真分析,仿真结果验证了所采用方法的有效性。(本文来源于《现代工业经济和信息化》期刊2019年05期）
梁涛,杨改文,姜文,李永强[10]（2019）在《基于ARMA误差修正的LM-BP模型的风功率预测》一文中研究指出风的间歇性和波动性导致训练样本的多样性,为提高短期风电功率预测精度,保证电网正常运行以及电能质量,对风功率进行建模预测尤为紧迫。针对上述问题,首先对原始数据进行预处理将非正常数据剔除。其次,运用Levenberg-Marquardt(LM)改进的牛顿算法优化反向传播(BP)神经网络(LM-BP)构建预测模型,并与传统的前馈BP神经网络进行比较,仿真结果表明,提出的基于LM-BP的预测模型相比单一的BP模型更加接近实际功率值,性能更优。最后,针对LM-BP模型的预测误差建立自回归滑动平均(ARMA)模型来修正负荷预测结果,结果表明误差修正后预测精度明显提高。(本文来源于《高技术通讯》期刊2019年05期）
风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：
针对传统的回声状态网络序列对随机性大、波动性强的风功率预测精度不高的问题,提出一种基于改进互补集合经验模态分解和改进萤火虫算法优化回声状态网络的风功率预测模型。利用改进互补集合经验模态分解将风功率数据分解成一系列的本征模态函数,用回声状态网络模型分别对分解后的本征模态函数进行预测,利用改进萤火虫算法寻找模型的最优权值,将输出结果加权合并为最终的风功率预测值。仿真结果表明,所提出的预测方法有较高的预测精度。
（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。
风功率预测论文参考文献
[1].马东.基于灰色GM(1,1)改进模型的年度风功率预测[J].应用能源技术.2019
[2].丁家乐,陈国初,原阔.基于改进萤火虫算法的短期风功率预测[J].系统仿真学报.2019
[3].郑海,陈湘萍,李慧,郑友康.小波变换和RBF神经网络的风功率预测[J].实验室研究与探索.2019
[4].林琳,于立杰,李超.计及综合成本影响因素的风功率预测研究[J].电子测量技术.2019
[5].任建龙,赵巧娥,严志伟,高金城.大数据下基于IPSO优化模糊PSR-KELM模型预测风功率[J].自动化与仪表.2019
[6].赵睿智,丁云飞.基于粒子群优化极限学习机的风功率预测[J].上海电机学院学报.2019
[7].马然,栗文义,齐咏生.基于风功率数据的风电机组性能预测与健康状态评估[J].可再生能源.2019
[8].张俭.基于深度学习的风功率预测模型的研究[D].北京交通大学.2019
[9].李艺.风力发电模型及风功率预测方法研究[J].现代工业经济和信息化.2019
[10].梁涛,杨改文,姜文,李永强.基于ARMA误差修正的LM-BP模型的风功率预测[J].高技术通讯.2019