《風(fēng)速預(yù)測(cè)模型研究》11000字

目錄III目錄IV風(fēng)速預(yù)測(cè)模型研究摘要這是一個(gè)高科技技術(shù)迅速發(fā)展的時(shí)代。目前，由于全球氣溫上升的影響，地球上的資源也有所限制，像煤炭、天然氣和木柴等這些燃料，并不是源源不斷的資源。使用時(shí)，會(huì)產(chǎn)生大量的二氧化碳排放，進(jìn)一步對(duì)環(huán)境造成污染。因此，為提倡保護(hù)環(huán)境、節(jié)省資源的號(hào)召，我們現(xiàn)在開始充分利用地球上的可再生能源，比如風(fēng)能、太陽(yáng)能、水能等，這些資源不僅都可以加以充分利用，還有利于環(huán)保?，F(xiàn)階段來看，風(fēng)能的使用已然家喻戶曉，他是不可再生資源的媲美替代品，而風(fēng)能發(fā)電的其中一個(gè)重要因素就是風(fēng)速。但是，由于風(fēng)電具有擊穿和不穩(wěn)定的特性，具有這些特性會(huì)嚴(yán)重影響風(fēng)電網(wǎng)絡(luò)的連接。因此，有效預(yù)測(cè)風(fēng)速變化和更準(zhǔn)確的風(fēng)速設(shè)計(jì)模型對(duì)于開發(fā)所需的風(fēng)力至關(guān)重要。本文提供了一個(gè)基于混合核函數(shù)的通用預(yù)測(cè)模型，該函數(shù)包括針對(duì)LSSVM優(yōu)化的四個(gè)參數(shù)和差分自動(dòng)回歸移動(dòng)平均值（ARIMA）。首先，我們可以將風(fēng)速信號(hào)分解為低頻率的近似分量和高頻率的細(xì)節(jié)分量。對(duì)于低頻分量，本文提出的四參數(shù)混合核心函數(shù)用于預(yù)測(cè)優(yōu)化的LSSVM模型。對(duì)于高頻分量，使用ARIMA模型進(jìn)行處理，該模型對(duì)不穩(wěn)定信號(hào)具有更好的適用性。直到最后，我們?yōu)槿〉米罱K的預(yù)測(cè)結(jié)果，可以打亂并重新安排出每一個(gè)組件的預(yù)測(cè)結(jié)果。先進(jìn)的模型通過分析信號(hào)和對(duì)混合預(yù)測(cè)進(jìn)行分類來提高模型預(yù)測(cè)的準(zhǔn)確性。通過兩種方法的同時(shí)實(shí)驗(yàn)，我們預(yù)測(cè)出了擬議的風(fēng)速，結(jié)果證明，基于四參數(shù)集成混合核心函數(shù)的高級(jí)LSSVM模型較為簡(jiǎn)單，適用于四參數(shù)集成混合核心函數(shù)的LSSVM模型較為簡(jiǎn)單?；贚SSVM模型，結(jié)合ARIMA模型的預(yù)測(cè)模型可以大大提高預(yù)測(cè)的準(zhǔn)確性，并適應(yīng)更高的預(yù)測(cè)精度所需要的條件。關(guān)鍵詞：風(fēng)電場(chǎng)短期;風(fēng)速預(yù)測(cè);方法研究目錄TOC\o"1-3"\h\u6605摘要 摘要參考文獻(xiàn)參考文獻(xiàn)[1]肖建輝.基于機(jī)器學(xué)習(xí)的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)混合模型研究[D].東華大學(xué),2020.[2]成金杰.基于相似日和特征約簡(jiǎn)的短期風(fēng)電功率預(yù)測(cè)方法研究[D].南京信息工程大學(xué),2020.[3]凡航,張雪敏,梅生偉,楊忠良.基于時(shí)空神經(jīng)網(wǎng)絡(luò)的風(fēng)電場(chǎng)超短期風(fēng)速預(yù)測(cè)模型[J].電力系統(tǒng)自動(dòng)化,2021,45(01):28-35.[4]蘇盈盈,李翠英,王曉峰,康東帥,劉君.風(fēng)電場(chǎng)短期風(fēng)速的C-C和ELM快速預(yù)測(cè)方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2019,31(07):76-80+87.[5]傅堯.風(fēng)力發(fā)電短期功率預(yù)測(cè)方法研究[D].沈陽(yáng)農(nóng)業(yè)大學(xué),2019.[6]支興亮.基于WRF模式的復(fù)雜地形下短期風(fēng)速集成預(yù)報(bào)方法研究[D].南京信息工程大學(xué),2019.[7]肖文萍.基于EWT和LSSVM的短期風(fēng)速預(yù)測(cè)方法研究[D].吉林大學(xué),2019.[8]胡偉成.山地風(fēng)電場(chǎng)微觀選址及短期風(fēng)速預(yù)測(cè)研究[D].北京交通大學(xué),2019.[9]王紅剛.基于融合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的超短期風(fēng)速預(yù)測(cè)研究[D].武漢理工大學(xué),2019.[10]潘羿龍.風(fēng)電場(chǎng)超短期風(fēng)速預(yù)測(cè)方法研究[D].上海電機(jī)學(xué)院,2019.[11]張君,薛莉,王波,關(guān)永昌,趙鑫.基于梯度優(yōu)化自適應(yīng)指數(shù)平滑法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法研究[J].機(jī)電工程,2016,33(07):895-899.[12]李衛(wèi),席林.一種新的風(fēng)電場(chǎng)風(fēng)速時(shí)間序列建模及超短期預(yù)測(cè)方法[J].電網(wǎng)與清潔能源,2015,31(09):78-82.[13]王國(guó)權(quán),王森,劉華勇,薛永端,周平.風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)方法研究[J].可再生能源,2014,32(08):1134-1139.[14]孫斌,姚海濤.基于混沌特性的風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)方法[J].黑龍江電力,2013,35(03):196-199.[15]伍見軍,王詠薇,丁源,祖繁,高山,高卓.風(fēng)電場(chǎng)超短期風(fēng)速預(yù)測(cè)方法對(duì)比[J].科學(xué)技術(shù)與工程,2013,13(11):2965-2969.[16]卿湘運(yùn),楊富文,王行愚.采用貝葉斯–克里金–卡爾曼模型的多風(fēng)電場(chǎng)風(fēng)速短期預(yù)測(cè)[J].中國(guó)電機(jī)工程學(xué)報(bào),2012,32(35):107-114.[17]彭懷午,劉方銳,楊曉峰.基于組合預(yù)測(cè)方法的風(fēng)電場(chǎng)短期風(fēng)速預(yù)測(cè)[J]