

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、風力發(fā)電一直是比較熱門的發(fā)電技術,當前中國風電已經進入大規(guī)模發(fā)展階段。由于風電的間隙性,隨機性和難預測性,特別是大規(guī)模風電并網的時候,會對整個電網的穩(wěn)定性和安全性產生很大的影響,這是目前制約風電發(fā)展的瓶頸。為了解決風電的上述問題,有必要對風電進行功率預測研究。
本文針對風電場風力發(fā)電機組功率出力特點總結并進行相關的預測研究,主要工作如下:
分析國內外研究背景和現(xiàn)狀,掌握風速和風電機組模型?;诜答伾窠浘W絡(Back-
2、Propagation Neural Network,BPNN)和徑向基函數(Radial-Basis Function,RBF)方法,進行短時風速預測。通過預測出的風速,進行功率的間接預測。同時采用了根據風速和功率數據進行功率的直接預測。功率BPNN訓練的均方誤差MSE=0.3375,功率預測的均方誤差MSE=0.4239;風速BPNN訓練的均方誤差MSE=0.0969,風速預測的均方誤差MSE=0.0169;功率經過RBF預測的均方
3、誤差MSE=0.0595。
基于小生境遺傳算法對風電預測進行分析。風電二維函數和小生境遺傳算法(Niched Genetic Algorithms,NGA),得出小生境算法、罰函數算法和預選擇算法相結合的算法可以得到較好結果,得出最終適應度值。在選取的規(guī)律性最強的部分為風速段4-16(m/s)的部分,誤差帶呈現(xiàn)帶狀分布,誤差分布在-30%至30%段最為集中。其中也有一大部分數據誤差異常,表明風電預測呈現(xiàn)的間歇性,隨機性以及不穩(wěn)
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
- 基于循環(huán)神經網絡的風電場功率超短期和短期預測.pdf
- 基于小生境遺傳算法的無功優(yōu)化.pdf
- 基于神經網絡的風電場短期風電功率預測研究.pdf
- 基于聚類方法的小生境遺傳算法研究.pdf
- 基于小生境遺傳算法的關聯(lián)規(guī)則挖掘研究.pdf
- 基于遺傳算法改進bp神經網絡的短期風電功率預測研究
- 基于小生境遺傳算法的增量貝葉斯算法.pdf
- 小生境遺傳算法的改進及其應用.pdf
- 基于人工神經網絡的風電場功率短期預測應用研究.pdf
- 排擠小生境遺傳算法的研究與應用.pdf
- 基于主成分——神經網絡的風電場輸出功率短期預測研究.pdf
- 基于神經網絡的風電場短期風速預測研究.pdf
- 基于IPSO-GA神經網絡的風電場功率短期預測方法研究.pdf
- 多模態(tài)優(yōu)化的混合小生境遺傳算法.pdf
- 基于小生境遺傳算法的多分類器融合模型.pdf
- 基于神經網絡組合預測的風電場風速及發(fā)電功率短期預測.pdf
- 運輸調度問題的小生境免疫遺傳算法研究.pdf
- 基于改進小生境遺傳算法的配網無功優(yōu)化研究.pdf
- 基于模糊聚類與多生境排擠的小生境遺傳算法研究.pdf
- 智能神經網絡在大型風電場短期功率預測中的應用.pdf
評論
0/150
提交評論