风电场风速预测模型研究

摘要

在风速突变处，传统风速预测方法效果欠佳。因此，有必要深入研究风速序列变化特征，选择合适方法降低预测误差。常规预测方法的预测结果基本上都是一个确定的数据点，由于风速的随机性，从不确定性的概率统计角度进一步研究风速预测误差分布显得更有意义。
　　本文主要工作和创新点如下:
　　(1)从统计学角度定量分析风速的波动特征;比较BP神经网络、GRNN和SVM三种常规风速预测方法，发现常规方法对风速突变点跟踪效果较差。
　　(2)引入局域均值分解方法(LMD)，对风速序列按不同特征尺度分解，降低非平稳性，挖掘风速内在特征信息。针对LMD采用滑动平均法带来的过平滑问题，提出采用属于局部插值的Akima插值法改进LMD，并提出一组分解效果评价指标。
　　(3)针对最小二乘支持向量机(LS-SVM)建模过度依赖于核函数及参数选择，采用分段核函数代替固定核函数，建立分段核函数的最小二乘支持向量机(SK-LSSVM);鉴于粒子群算法采用最小二乘准则寻优参数，扩大风速异常点的拟合偏差，采用最小一乘准则寻优参数。并提出建立基于改进的LMD和最小一乘准则下的SK-LSSVM组合风速预测模型。
　　(4)从不确定性角度分析了风速预测误差的成因，从统计学角度分析了风速预测误差的分布特点，并采用混合偏态分布等多种分布模型模拟风速误差。

目录

声明

致谢

摘要

第一章 绪论

1．1 国内外风电发展现状

1．2 课题的研究背景及意义

1．3 风速预测的研究现状

1．4 本文主要工作

第二章 风速特性研究和几种预测方法比较

2．1 风速的分布特性

2．1．1 风速分布的密度函数

2．1．2 参数k和C估计

2．2 风速总体变化特点

2．3 风速非线性的统计学特征

2．4 常见的几种风速预测方法

2．4．1 BP神经网络

2．4．2 GRNN神经网络

2．4．3 支持向量机

2．5 几种预测方法结果分析

2．6 本章小结

第三章 基于Akima插值改进的LMD分解算法

3．1 传统LMD算法

3．1．1 传统LMD分解过程

3．1．2 EMD算法简介

3．1．3 LMD和EMD理论比较

3．1．4 LMD的不足

3．2 Akima插值法

3．3 基于Akima插值改进的LMD算法

3．3．1 Akima插值改进LMD

3．3．2 波形匹配延拓

3．3．3 改进的LMD算法的流程

3．4 分解效果评价指标

3．5 本章小结

第四章 基于最小一乘准则的SK-LSSVM

4．1 最小二乘支持向量机

4．1．1 LSSVM原理

4．1．2 LSSVM的核函数

4．1．3 LSSVM参数对预测结果的影响

4．2 分段核函数

4．3 基于最小一乘准则的粒子群算法的参数优化

4．3．1 最小一乘法

4．3．2 基于最小一乘准则的粒子群参数寻优

4．4 基于最小一乘准则的SK-LSSVM的风速预测模型

4．5 本章小结

第五章 基于Akima插值改进的LMD和最小一乘准则下的SK-LSSVM组合风速预测模型

5．1 组合预测模型

5．2 算例分析

5．2．1 风速特征分析

5．2．2 数据预处理

5．2．3 预测模型的建立及参数确定

5．2．4 预测结果分析

5．3 本章小结

第六章 风速预测误差分析

6．1 风速预测的不确定性分析

6．1．1 风速的构成

6．1．2 风速预测模型

6．1．3 风速影响因素

6．1．4 风速预测误差

6．2 风速预测误差的概率分析

6．2．1 误差分布特点

6．2．2 混合偏态分布

6．2．3 模型特点

6．2．4 分布模型参数估计

6．3 算例分析

6．4 本章小结

第七章 总结与展望

7．1 总结

7．2 展望

参考文献

攻读硕士学位期间的学术活动及成果情况