版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著人類對生態(tài)環(huán)境的逐漸重視以及在國家新能源戰(zhàn)略的重大部署下,風能作為一種清潔能源得到了大規(guī)模的發(fā)展,不僅全球的風電裝機容量逐
年上升,同時也使得風力發(fā)電技術越來越成熟。但是風的間歇性、波動性使得風能具有不可控性,始終是風電技術的一大難題。因此,解決能源問題以及風電場長期穩(wěn)定運行的關鍵所在是迫切需要提高風電功率的預測精度。
本文以風電功率預測為研究對象,對測風塔數(shù)據(jù)進行分析,以便發(fā)掘和更好的利用測風數(shù)據(jù)自身的信息。神
2、經網絡模型的建立對訓練數(shù)據(jù)具有較高的依賴性,訓練數(shù)據(jù)的選擇既要包含足夠廣的選擇范圍,這樣模型具有更強的泛化能力;同時又要保證模型具有更高的預測精度。針對特殊天氣下普通預測模型難以滿足要求的問題,本文采用案例推理技術對風電功率預測模型進行改進。
本文主要研究內容有:
(1)對國內外風力發(fā)電的現(xiàn)狀、發(fā)展趨勢以及目前主要存在的問題進行了總結,引出了風電功率預測的意義及必要性,同時對風電功率預測模型的研究現(xiàn)狀進行總結分析。<
3、br> (2)針對測風數(shù)據(jù)不能很好地滿足預測樣本要求的問題,根據(jù)國標GB/T18709-2002及相關參考文獻補充對數(shù)據(jù)進行了檢驗、填補和修正。采用山西省某風電場的實測數(shù)據(jù)分析了測風數(shù)據(jù)自身的變化規(guī)律,重點分析了模型的預測誤差與風電功率影響因素之間的關系。對預測模型評價指標進行了必要的選取說明。
(3)本文提出了基于模糊聚類分析的風電功率預測方法。首先采用減法聚類來確定模糊 C均值的聚類數(shù)和聚類中心,采用風電場實際運行的數(shù)據(jù)
4、聚類分析,然后進行神經網絡模型的訓練,既充分考慮了樣本空間的特征,又使得模型具有針對性,因此保證網絡模型的泛化能力的同時又提高了預測的精度。
(4)為了提高特殊天氣下風電功率的預測精度,本文通過對普通模型的預測效果和風電場實際測風數(shù)據(jù)進行分析,建立了基于案例推理的特殊天氣下風電功率預測模型,采用基于模糊聚類和粒子群優(yōu)化的K近鄰算法進行案例檢索,提高了檢索的速度和精度。采用山西省某風電場的實際數(shù)據(jù)進行了大量的仿真實驗,將仿真結果
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于相似度模糊推理和IOWA算子的風電功率融合預測.pdf
- 基于隨機模糊理論的風電功率預測.pdf
- 基于多指標融合評價和案例推理的風電功率預測模型的優(yōu)選決策.pdf
- 模糊C-均值聚類的研究.pdf
- 基于模糊聚類預處理的風電場短期風速和發(fā)電功率預測.pdf
- 基于Spark的模糊c均值聚類算法研究.pdf
- 基于特征加權模糊聚類分析的風電功率預測方法研究.pdf
- 基于模糊c均值聚類的分類分時電價研究.pdf
- 基于模糊c均值聚類的SAR圖像分割算法研究.pdf
- 基于GA優(yōu)化的核模糊C均值聚類算法的研究.pdf
- 基于模糊C均值聚類方法的圖像分割算法研究.pdf
- 基于模糊C均值聚類算法的入侵檢測方法.pdf
- 基于模糊C均值聚類的彩色圖像分割方法研究.pdf
- 基于模糊C均值聚類的彩色圖像分割算法研究.pdf
- 基于聚類算法的地區(qū)風電功率典型場景選取方法.pdf
- 改進的模糊C-均值聚類算法.pdf
- 模糊C均值聚類算法的研究與改進.pdf
- 模糊C均值聚類算法的相關問題研究.pdf
- 基于模糊C-均值聚類的圖像分割技術研究.pdf
- 基于改進人工蜂群的模糊C均值聚類算法研究.pdf
評論
0/150
提交評論