基于支持向量机的风电场功率短期预测方法研究

论文摘要

风电场功率预测算法是风电场功率预测的核心部分。本文在研究支持向量机学习特点的基础上建立了基于支持向量机的风电机组功率短期预测模型。通过分析风电机组功率特性曲线特点对已建模型进行改进,提出了支持向量机分段混合模型。为了研究模型参数对精度的影响,提出将复合循环法用于网格搜索法之后的小范围寻参。使用代表风机法预测短期风电场功率并构造两种训练样本对预测精度进行比较。应用我国北方某风电场实测数据验证表明:分段混合模型使原有模型精度提高4.76%并且该算法具有较强的鲁棒性;代表风机法预测提前1-6小时的风电场功率平均误差为12.55%。

论文目录

• 中文摘要
• 英文摘要
• 第一章 引言
• 1.1 课题研究背景
• 1.1.1 风电场功率预测
• 1.1.2 统计学习理论与支持向量机
• 1.2 课题研究的目的和意义
• 1.3 风电场功率短期预测研究现状
• 1.3.1 国外研究现状
• 1.3.2 国内研究现状
• 1.4 课题研究的内容和论文结构安排
• 1.4.1 课题研究内容
• 1.4.2 论文结构安排
• 第二章 支持向量机原理
• 2.1 引言
• 2.2 机器学习的基本问题
• 2.2.1 概念的提出及表示
• 2.2.2 经验风险最小化
• 2.2.3 结构风险最小化
• 2.3 支持向量机
• 2.3.1 理论背景
• 2.3.2 支持向量回归机
• 2.3.3 核函数
• 2.3.4 参数选择方法
• 2.4 小结
• 第三章 支持向量机预测短期风电机组功率模型及改进
• 3.1 引言
• 3.2 建模过程
• 3.2.1 数据样本预处理
• 3.2.2 核函数选择
• 3.2.3 参数范围选择
• 3.3 实验结果及分析
• 3.4 改进方法—分段混合预测模型
• 3.4.1 风电机组功率曲线特性分析
• 3.4.2 分段建模过程
• 3.4.3 模型参数寻优
• 3.5 实验结果对比及分析
• 3.5.1 实验结果
• 3.5.2 模型准确度
• 3.6 小结
• 第四章 支持向量机预测风电场短期功率
• 4.1 引言
• 4.2 风电场功率预测模型
• 4.2.1 统计分析
• 4.2.2 选取代表风机
• 4.2.3 构造数据样本
• 4.2.4 预测结果
• 4.3 模型训练数据分析
• 4.4 小结
• 第五章 结论与展望
• 5.1 论文结论
• 5.2 论文的创新点
• 5.3 课题研究展望
• 参考文献
• 致谢
• 在学期间发表论文和参加科研情况