基于改進(jìn)的灰色模型和支持向量機(jī)的風(fēng)電功率預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>7.2MB
頁(yè)數(shù):6P
人氣 :70
4.5
使用組合模型進(jìn)行了風(fēng)速預(yù)測(cè),然后在此基礎(chǔ)上進(jìn)行了風(fēng)電功率的預(yù)測(cè).利用灰色模型進(jìn)行風(fēng)速中確定性趨勢(shì)預(yù)測(cè),針對(duì)灰色GM(1,1)模型的建模機(jī)理和風(fēng)速預(yù)測(cè)特點(diǎn)對(duì)其進(jìn)行了改進(jìn),建立了改進(jìn)的灰色GM(1,1)風(fēng)速預(yù)測(cè)模型;同時(shí)使用支持向量機(jī)進(jìn)行風(fēng)速的隨機(jī)性預(yù)測(cè);用建立的組合預(yù)測(cè)模型輸出的風(fēng)速作為風(fēng)電功率預(yù)測(cè)的一個(gè)輸入,利用支持向量機(jī)模型進(jìn)行了提前一小時(shí)的風(fēng)電功率預(yù)測(cè).算例表明,該方法可有效提高風(fēng)速預(yù)測(cè)精度,進(jìn)而提高風(fēng)電功率的預(yù)測(cè)精度.
基于模態(tài)分解和支持向量機(jī)的風(fēng)電功率組合預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>2.1MB
頁(yè)數(shù):7P
針對(duì)風(fēng)電功率序列的不確定性和隨機(jī)性特征,提出基于聚類經(jīng)驗(yàn)?zāi)B(tài)分解(eemd)和支持向量回歸機(jī)(svr)的風(fēng)電功率預(yù)測(cè)模型。同時(shí),為克服支持向量回歸機(jī)依賴人為經(jīng)驗(yàn)選擇學(xué)習(xí)參數(shù)的弊端,采用縱橫交叉算法(cso)優(yōu)化支持向量回歸機(jī)學(xué)習(xí)參數(shù)。首先,利用聚類經(jīng)驗(yàn)?zāi)B(tài)分解將原始風(fēng)電功率序列分解為一系列復(fù)雜度差異明顯的子序列。然后,分別對(duì)每子序列單獨(dú)建立cso-svr預(yù)測(cè)模型。最后,疊加各子序列的預(yù)測(cè)值得到實(shí)際預(yù)測(cè)結(jié)果。實(shí)例研究表明,所提模型能獲得優(yōu)良的風(fēng)電功率預(yù)測(cè)結(jié)果。
基于時(shí)序-支持向量機(jī)的風(fēng)電場(chǎng)發(fā)電功率預(yù)測(cè)
格式:pdf
大小:397KB
頁(yè)數(shù):5P
準(zhǔn)確的風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)可以有效地減輕風(fēng)電場(chǎng)對(duì)電力系統(tǒng)的不利影響,同時(shí)提高風(fēng)電在電力市場(chǎng)中的競(jìng)爭(zhēng)力?;跁r(shí)間序列法和支持向量機(jī)法,對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行研究,提出預(yù)測(cè)風(fēng)電功率的時(shí)序-支持向量機(jī)預(yù)測(cè)方法。該方法用時(shí)間序列法建模,選取影響風(fēng)電功率最大的參數(shù)作為支持向量機(jī)預(yù)測(cè)模型的輸入變量;為提高預(yù)測(cè)精度,提出基于時(shí)間點(diǎn)運(yùn)動(dòng)軌跡演化的方法選取與預(yù)測(cè)時(shí)刻功率相似的樣本作為模型的訓(xùn)練樣本。實(shí)例驗(yàn)證結(jié)果表明,該方法有效地提高了風(fēng)電功率預(yù)測(cè)精度。
基于粒子群動(dòng)態(tài)灰色模型的短期風(fēng)電功率預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>609KB
頁(yè)數(shù):6P
4.6
針對(duì)風(fēng)場(chǎng)輸出功率短期預(yù)測(cè)所遇到的信息貧乏、精度低和不確定性高的問(wèn)題,提出一種粒子群動(dòng)態(tài)灰色模型。該模型利用粒子群算法改變背景值參數(shù),通過(guò)迭代搜尋和線性化處理對(duì)齊次或非齊次的指數(shù)參數(shù)進(jìn)行連續(xù)優(yōu)化,提升了預(yù)測(cè)精度;該模型還引入殘差模型對(duì)外界環(huán)境的變化進(jìn)行預(yù)測(cè),降低了由環(huán)境的不確定性對(duì)預(yù)測(cè)帶來(lái)的影響。將此模型運(yùn)用到比利時(shí)風(fēng)場(chǎng)輸出功率的短期預(yù)測(cè)當(dāng)中,實(shí)驗(yàn)結(jié)果證明了該模型對(duì)求解所提問(wèn)題是有效的。
平滑灰色法風(fēng)電功率的預(yù)測(cè)研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>256KB
頁(yè)數(shù):未知
4.6
風(fēng)能是一種清潔的可再生能源,由于風(fēng)力發(fā)電的波動(dòng)性、間歇性,能使大容量風(fēng)力發(fā)電并網(wǎng)對(duì)電力系統(tǒng)可靠、經(jīng)濟(jì)運(yùn)行產(chǎn)生消極影響。為保證電力系統(tǒng)運(yùn)行的穩(wěn)定性,合理制定調(diào)度計(jì)劃,根據(jù)已有的4臺(tái)風(fēng)電機(jī)組的實(shí)測(cè)功率,提出對(duì)原始數(shù)據(jù)進(jìn)行平滑化處理和基于灰色預(yù)測(cè)模型gm(1,1)的預(yù)測(cè)方法。即以風(fēng)電機(jī)組第23d前若干天的功率數(shù)據(jù)為原始數(shù)據(jù),對(duì)4臺(tái)風(fēng)電機(jī)組分別進(jìn)行未來(lái)24h(第23d)的功率進(jìn)行預(yù)測(cè),并按國(guó)家標(biāo)準(zhǔn)公式計(jì)算預(yù)測(cè)準(zhǔn)確率。根據(jù)仿真結(jié)果確定最佳預(yù)測(cè)用原始數(shù)據(jù),預(yù)測(cè)準(zhǔn)確率達(dá)到國(guó)家標(biāo)準(zhǔn),驗(yàn)證了該方法的有效性和可行性。
基于灰色模型和最小二乘支持向量機(jī)的電力短期負(fù)荷組合預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>276KB
頁(yè)數(shù):6P
4.7
提出一種聯(lián)合灰色模型(greymodel,gm)和最小二乘支持向量機(jī)回歸(leastsquaresupportvectorregression,lssvr)算法的電力短期負(fù)荷智能組合預(yù)測(cè)方法。在考慮負(fù)荷日周期性的基礎(chǔ)上,通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)的不同取舍,構(gòu)建出各種不同的歷史負(fù)荷數(shù)據(jù)序列,并對(duì)每個(gè)歷史數(shù)據(jù)序列分別建立能修正β參數(shù)的gm(1,1)灰色模型進(jìn)行負(fù)荷預(yù)測(cè);采用最小二乘支持向量機(jī)回歸算法對(duì)不同灰色模型的預(yù)測(cè)結(jié)果進(jìn)行非線性組合,以獲取最終預(yù)測(cè)值。該方法在充分利用灰色模型所需原始數(shù)據(jù)少、建模簡(jiǎn)單、運(yùn)算方便等優(yōu)勢(shì)的基礎(chǔ)上,結(jié)合最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、非線性擬合性好、小樣本等特性,提高了預(yù)測(cè)精度。仿真結(jié)果驗(yàn)證了所提出組合方法的有效性和實(shí)用性。
基于灰色支持向量機(jī)的輸電線路覆冰厚度預(yù)測(cè)模型??
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>407KB
頁(yè)數(shù):5P
4.3
為了降低輸電線路覆冰事故對(duì)電網(wǎng)安全造成的嚴(yán)重影響,對(duì)輸電線路覆冰厚度進(jìn)行預(yù)測(cè)將能夠有效地指導(dǎo)電網(wǎng)抗冰工作.提出了基于灰色支持向量機(jī)的輸電線路覆冰厚度短期預(yù)測(cè)模型,分析了樣本中臟數(shù)據(jù)的剔除及數(shù)據(jù)預(yù)處理方法,通過(guò)模型預(yù)測(cè)值與實(shí)測(cè)數(shù)據(jù)的對(duì)比驗(yàn)證了該模型的準(zhǔn)確性和適用性,根據(jù)模型預(yù)測(cè)的線路最大覆冰厚度值對(duì)現(xiàn)場(chǎng)觀冰、冰情預(yù)警以及開(kāi)展交直流融冰提供策略指導(dǎo).將該模型與傳統(tǒng)的支持向量機(jī)和廣義回歸神經(jīng)網(wǎng)絡(luò)覆冰預(yù)測(cè)模型進(jìn)行了對(duì)比,結(jié)果表明,該模型平均誤差為0.325mm,平均絕對(duì)百分誤差僅為2.61%,適用于輸電線路覆冰厚度短期預(yù)測(cè).在易覆冰地區(qū),應(yīng)用該預(yù)測(cè)模型能夠更好地指導(dǎo)輸電線路抗冰工作.
綜合最優(yōu)灰色支持向量機(jī)模型在季節(jié)型電力負(fù)荷預(yù)測(cè)中的應(yīng)用
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>136KB
頁(yè)數(shù):4P
4.7
季節(jié)型電力負(fù)荷同時(shí)具有增長(zhǎng)性和波動(dòng)性的二重趨勢(shì),使得負(fù)荷的變化呈現(xiàn)出復(fù)雜的非線性組合特征。對(duì)此,提出了一種綜合最優(yōu)灰色支持向量機(jī)預(yù)測(cè)模型,研究了同時(shí)考慮2種非線性趨勢(shì)的復(fù)雜季節(jié)型負(fù)荷預(yù)測(cè)問(wèn)題,說(shuō)明了此優(yōu)化模型分別優(yōu)于2種單一負(fù)荷預(yù)測(cè)模型。在此基礎(chǔ)上,對(duì)一般粒子群算法引入粒子速度自適應(yīng)可調(diào)機(jī)制,并利用改進(jìn)粒子群算法優(yōu)化組合預(yù)測(cè)模型中的權(quán)值。對(duì)電力負(fù)荷預(yù)測(cè)應(yīng)用實(shí)例的計(jì)算結(jié)果表明,該模型較大提高了季節(jié)型負(fù)荷預(yù)測(cè)的精度,具有較好的性能。
基于支持向量機(jī)的建筑物沉降預(yù)測(cè)模型研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>514KB
頁(yè)數(shù):3P
4.7
建立基于支持向量機(jī)的建筑物沉降預(yù)測(cè)模型,并將其應(yīng)用于建筑物的沉降預(yù)測(cè)。與采用bp神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果相比,支持向量機(jī)取得較好的預(yù)測(cè)結(jié)果。實(shí)例表明支持向量機(jī)在小樣本數(shù)據(jù)的預(yù)測(cè)上具有精度高、泛化能力強(qiáng)的特點(diǎn),為建筑物的沉降預(yù)測(cè)提供一種新的方法。
基于支持向量機(jī)的室內(nèi)轟燃預(yù)測(cè)模型研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>241KB
頁(yè)數(shù):6P
4.7
為對(duì)室內(nèi)轟燃進(jìn)行準(zhǔn)確預(yù)測(cè),針對(duì)室內(nèi)轟燃樣本的不足在一定程度上制約了其應(yīng)用,為此運(yùn)用svm技術(shù)構(gòu)建室內(nèi)轟燃預(yù)測(cè)的數(shù)學(xué)模型。在小樣本條件下,應(yīng)用工具軟件libsvm進(jìn)行仿真,并將svm模型預(yù)測(cè)結(jié)果和人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。結(jié)果顯示,svm技術(shù)能較好地解決小樣本和模型預(yù)測(cè)精確度之間的矛盾,svm模型其預(yù)測(cè)精度及可行性高于神經(jīng)網(wǎng)絡(luò)模型。實(shí)例表明,由于室內(nèi)火災(zāi)受多種因素影響,傳統(tǒng)的預(yù)測(cè)方法存在一定的局限性,而svm模型預(yù)測(cè)法預(yù)測(cè)的結(jié)果與試驗(yàn)結(jié)果比較一致。
基于改進(jìn)誘導(dǎo)有序加權(quán)算子的風(fēng)電功率預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>448KB
頁(yè)數(shù):7P
4.5
針對(duì)風(fēng)電功率超短期預(yù)測(cè)精度不高的問(wèn)題,提出了一種結(jié)合theil不等系數(shù)與改進(jìn)誘導(dǎo)有序加權(quán)算子的組合預(yù)測(cè)方法.由于預(yù)測(cè)時(shí)刻的實(shí)際風(fēng)電功率值未知,因此無(wú)法直接利用該方法進(jìn)行預(yù)測(cè).文章利用各單項(xiàng)預(yù)測(cè)模型的前幾個(gè)時(shí)刻的預(yù)測(cè)精度均值作為預(yù)測(cè)時(shí)刻風(fēng)電功率的誘導(dǎo)值,對(duì)誘導(dǎo)有序加權(quán)算子進(jìn)行了改進(jìn),解決了預(yù)測(cè)時(shí)刻誘導(dǎo)值未知的問(wèn)題.采用誤差信息矩陣對(duì)單項(xiàng)模型進(jìn)行冗余度分析,得到優(yōu)選單項(xiàng)模型,然后建立基于theil不等系數(shù)和3種改進(jìn)誘導(dǎo)有序加權(quán)算子的組合預(yù)測(cè)模型.通過(guò)分析和實(shí)例驗(yàn)證表明,結(jié)合theil不等系數(shù)和誘導(dǎo)有序加權(quán)算數(shù)平均算子(iowa)的組合模型能有效地提高風(fēng)電功率預(yù)測(cè)精度.
混沌理論和支持向量機(jī)結(jié)合的負(fù)荷預(yù)測(cè)模型
格式:pdf
大小:501KB
頁(yè)數(shù):5P
4.3
根據(jù)電力負(fù)荷序列的混沌特性,提出混沌理論和蟻群優(yōu)化支持向量機(jī)結(jié)合的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)新方法,以相空間重構(gòu)理論確定支持向量機(jī)的輸入量個(gè)數(shù);訓(xùn)練樣本集由對(duì)應(yīng)預(yù)測(cè)相點(diǎn)的最近鄰相點(diǎn)集構(gòu)成,且是按預(yù)測(cè)相點(diǎn)步進(jìn)動(dòng)態(tài)相軌跡生成;采用蟻群優(yōu)化算法對(duì)支持向量機(jī)敏感參數(shù)進(jìn)行優(yōu)化,從而可增強(qiáng)預(yù)測(cè)模型對(duì)混沌動(dòng)力學(xué)的聯(lián)想和泛化推理能力,提高負(fù)荷預(yù)測(cè)的精度和提高預(yù)測(cè)穩(wěn)定性。對(duì)某地區(qū)負(fù)荷系統(tǒng)日、周預(yù)測(cè)仿真測(cè)試,證明其可獲得穩(wěn)定的較高預(yù)測(cè)精度。
風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>108KB
頁(yè)數(shù):1P
4.5
目前,我國(guó)風(fēng)電已進(jìn)入較為快速的發(fā)展時(shí)期。而伴隨著風(fēng)電領(lǐng)域的發(fā)展,風(fēng)電輸出功率預(yù)測(cè)作為一個(gè)新的研究領(lǐng)域,越來(lái)越受人們的重視。風(fēng)電功率預(yù)測(cè)預(yù)報(bào)系統(tǒng)的設(shè)計(jì),不僅提供了風(fēng)電運(yùn)行的調(diào)度技術(shù),也有利于風(fēng)電調(diào)度安排系統(tǒng)進(jìn)行發(fā)電計(jì)劃的制定,大大降低了風(fēng)電運(yùn)行的備用容量及運(yùn)行的成本。與此同時(shí),能夠確保電力系統(tǒng)的運(yùn)行安全穩(wěn)定,對(duì)整個(gè)電力市場(chǎng)的有效管理具有重大作用。
風(fēng)電功率實(shí)時(shí)預(yù)測(cè)的方法研究
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>445KB
頁(yè)數(shù):2P
4.7
針對(duì)風(fēng)電場(chǎng)發(fā)電功率短時(shí)間預(yù)測(cè)問(wèn)題,根據(jù)風(fēng)能的“間歇性”和“隨機(jī)性”的特點(diǎn),依據(jù)真實(shí)數(shù)據(jù),以“時(shí)間序列分析”,“神經(jīng)網(wǎng)絡(luò)系統(tǒng)”,“小渡分析”等數(shù)學(xué)模型思想為基礎(chǔ),分別建立了“時(shí)間序列分析模型(ar模型)”,“時(shí)間序列分析模型(arm模型)+小波分析模型”與“神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型”對(duì)我國(guó)大唐赤峰東山風(fēng)電場(chǎng)風(fēng)電功率進(jìn)行實(shí)時(shí)預(yù)測(cè)。最后,根據(jù)國(guó)家能源局頒布的相應(yīng)指標(biāo)對(duì)這三種模型進(jìn)行分析和評(píng)估。
基于支持向量機(jī)的機(jī)械系統(tǒng)狀態(tài)組合預(yù)測(cè)模型研究
格式:pdf
大小:642KB
頁(yè)數(shù):4P
4.7
提出了一種新的支持向量機(jī)(supportvectormachines,svm)機(jī)械系統(tǒng)狀態(tài)組合預(yù)測(cè)模型。應(yīng)用fpe(finalprincipleerror)準(zhǔn)則優(yōu)化樣本的維數(shù),采用時(shí)域內(nèi)的振動(dòng)烈度和頻域內(nèi)的特征頻率分量作為預(yù)測(cè)機(jī)械系統(tǒng)狀態(tài)的敏感因子,構(gòu)建了預(yù)測(cè)模型。支持向量機(jī)采用新型的結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化準(zhǔn)則,預(yù)測(cè)能力強(qiáng)、魯棒性好。采用徑向基函數(shù)和ε損失函數(shù),將該模型應(yīng)用于實(shí)驗(yàn)臺(tái)和旋轉(zhuǎn)注水機(jī)組的狀態(tài)預(yù)測(cè),取得了較好的效果。這表明利用支持向量機(jī)的組合預(yù)測(cè)模型,可以降低設(shè)備維修代價(jià),提高設(shè)備的安全性和可靠性。
基于支持向量機(jī)的建筑物采動(dòng)損害預(yù)測(cè)模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>138KB
頁(yè)數(shù):5P
4.7
為了科學(xué)預(yù)測(cè)與評(píng)估煤礦采動(dòng)引起的建筑物采動(dòng)損害程度,在系統(tǒng)分析建筑物采動(dòng)損害影響因素的基礎(chǔ)上,基于支持向量機(jī)理論,利用礦區(qū)典型建筑物采動(dòng)損害案例,首次建立了煤礦開(kāi)采影響下建筑物采動(dòng)損害程度的支持向量機(jī)預(yù)測(cè)模型,并測(cè)試了該模型的可行性和可靠性.研究成果可為建筑物采動(dòng)損害預(yù)測(cè)提供一條新的技術(shù)途徑.
基于支持向量機(jī)的砂土液化預(yù)測(cè)模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>377KB
頁(yè)數(shù):6P
3
基于支持向量機(jī)的砂土液化預(yù)測(cè)模型——分析了砂土液化的主要影響因素,建立了砂土液化的支持向量機(jī)預(yù)測(cè)模型。該模型能通過(guò)有限經(jīng)驗(yàn)數(shù)據(jù)的學(xué)習(xí),建立砂土液化類型與其影響因素之間的非線性關(guān)系。運(yùn)用所建立的模型對(duì)具體的砂土液化類型進(jìn)行了評(píng)判,評(píng)判結(jié)果表明,...
1.0-風(fēng)電功率預(yù)測(cè)系統(tǒng)使用手冊(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>4.9MB
頁(yè)數(shù):31P
4.5
風(fēng)電功率預(yù)測(cè)系統(tǒng) 操作手冊(cè) 2011-09 中國(guó)電力科學(xué)研究院 i 目錄 1.登錄操作..................................................................................................................1 2.模塊應(yīng)用操作..........................................................................................................2 2.1實(shí)時(shí)狀態(tài)監(jiān)測(cè)模塊............................................................................................2 2.1.1地圖
基于BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)仿真分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>804KB
頁(yè)數(shù):5P
4.3
介紹了風(fēng)電功率預(yù)測(cè)的背景,對(duì)風(fēng)電功率預(yù)測(cè)進(jìn)行了理論分析,分析了bp神經(jīng)網(wǎng)絡(luò)的原理及基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)流程和預(yù)測(cè)結(jié)果誤差的評(píng)價(jià)指標(biāo)。以matlab軟件的神經(jīng)網(wǎng)絡(luò)工具箱為仿真平臺(tái),搭建bp神經(jīng)網(wǎng)絡(luò),進(jìn)行了功率預(yù)測(cè)仿真,預(yù)測(cè)結(jié)果均方根誤差分別為6.97%、200.59%。兩組仿真對(duì)比結(jié)果表明,基于bp神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)在短期預(yù)測(cè)中是可行的.
基于改進(jìn)灰色模型的邊坡位移預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>861KB
頁(yè)數(shù):4P
4.3
針對(duì)傳統(tǒng)灰色模型在長(zhǎng)期預(yù)測(cè)中受外界干擾影響預(yù)測(cè)精度的問(wèn)題,通過(guò)對(duì)灰參數(shù)的二次擬合以及應(yīng)用動(dòng)態(tài)新陳代謝理論改進(jìn)灰色模型,結(jié)合實(shí)際邊坡工程予以驗(yàn)證.結(jié)果表明:改進(jìn)后的灰色模型預(yù)測(cè)精度較高,具有工程應(yīng)用價(jià)值.
風(fēng)電機(jī)組風(fēng)電功率波動(dòng)概率分布分析
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>338KB
頁(yè)數(shù):未知
4.5
本文應(yīng)用概率分布函數(shù)的方法對(duì)河南三門峽清源風(fēng)電場(chǎng)五臺(tái)機(jī)組的風(fēng)電功率波動(dòng)特性從時(shí)間和空間的角度進(jìn)行分析,對(duì)不同的時(shí)間尺度下以及單個(gè)和總體的數(shù)據(jù)進(jìn)行擬合,得出最佳的概率分布函數(shù),從其數(shù)值特征上來(lái)描述風(fēng)電功率的波動(dòng)性。
基于蜂群算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)
格式:pdf
大小:2.1MB
頁(yè)數(shù):7P
4.3
由于風(fēng)能具有隨機(jī)性和間歇性的特點(diǎn),造成了其功率輸出的不穩(wěn)定,而大規(guī)模的風(fēng)電接入給電力系統(tǒng)的正常穩(wěn)定運(yùn)行和調(diào)度帶來(lái)影響。詳細(xì)分析影響風(fēng)電場(chǎng)輸出的因素,確定風(fēng)速、風(fēng)向正弦和余弦為影響風(fēng)電輸出最主要的關(guān)聯(lián)因素,采用統(tǒng)計(jì)預(yù)測(cè)方法將歷史實(shí)際輸出功率、風(fēng)速、風(fēng)向正弦和余弦作為bp神經(jīng)網(wǎng)絡(luò)的輸入矢量,并采用人工蜂群算法優(yōu)化得到神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值,構(gòu)建abc-bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè)模型。通過(guò)對(duì)某實(shí)測(cè)風(fēng)電功率進(jìn)行預(yù)測(cè)驗(yàn)證,結(jié)果表明:基于蜂群算法改進(jìn)的bp神經(jīng)網(wǎng)絡(luò)風(fēng)電功率預(yù)測(cè),可以克服bp神經(jīng)網(wǎng)絡(luò)易于陷入局部極小的缺陷和不足,極大地提高了全局搜索能力以及預(yù)測(cè)的穩(wěn)定性和精度;同時(shí),將自適應(yīng)的選擇策略引入到蜂群算法優(yōu)化適應(yīng)度的選擇中,減少了網(wǎng)絡(luò)層參數(shù)的訓(xùn)練時(shí)間,提高了收斂速度。
基于相空間重構(gòu)的支持向量機(jī)的風(fēng)電場(chǎng)風(fēng)速預(yù)測(cè)
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>450KB
頁(yè)數(shù):4P
4.8
風(fēng)力發(fā)電具有波動(dòng)性、間歇性和隨機(jī)性的特點(diǎn),風(fēng)力發(fā)電的并網(wǎng)給電力系統(tǒng)的安全運(yùn)行帶來(lái)了嚴(yán)峻挑戰(zhàn),因此,實(shí)現(xiàn)風(fēng)電場(chǎng)風(fēng)速的預(yù)測(cè)具有重要意義。支持向量機(jī)是發(fā)展比較好的一種常用的風(fēng)速預(yù)測(cè)方法,但是由于其輸入特征對(duì)預(yù)測(cè)的精度影響比較大,所以特征的選擇一直是人們所關(guān)注的問(wèn)題。文章提出采用相空間重構(gòu)理論對(duì)風(fēng)電場(chǎng)風(fēng)速進(jìn)行預(yù)測(cè),并通過(guò)與使用自然特征作為輸入特征的預(yù)測(cè)方法作比較,驗(yàn)證了基于相空間重構(gòu)的支持向量機(jī)的預(yù)測(cè)方法的優(yōu)越性。
基于最小二乘支持向量機(jī)的水庫(kù)來(lái)水量預(yù)測(cè)模型
格式:pdf
大?。?span id="2wnrri89hn" class="single-tag-height" data-v-09d85783>154KB
頁(yè)數(shù):2P
4.5
為提高水庫(kù)來(lái)水量的預(yù)測(cè)精度,提出了一種基于最小二乘支持向量機(jī)(ls-svm)的來(lái)水量預(yù)測(cè)模型。實(shí)例應(yīng)用結(jié)果表明,該模型預(yù)測(cè)能力強(qiáng)、預(yù)測(cè)精度高,其預(yù)測(cè)精度明顯高于bp模型,為來(lái)水量預(yù)測(cè)提供了一種可靠、有效的方法。
灰色預(yù)測(cè)改進(jìn)模型在建筑物沉降中的應(yīng)用
格式:pdf
大小:492KB
頁(yè)數(shù):4P
4.7
在傳統(tǒng)gm(1,1)模型的基礎(chǔ)上考慮初始條件選取的理論缺陷,提出了改進(jìn)的灰色預(yù)測(cè)模型。通過(guò)在隧道開(kāi)挖后上方建筑物沉降預(yù)測(cè)值與實(shí)測(cè)值的對(duì)比分析得出,該模型具有良好的精度,并具有一定的工程應(yīng)用價(jià)值。
文輯推薦
知識(shí)推薦
百科推薦
職位:成本造價(jià)總監(jiān)
擅長(zhǎng)專業(yè):土建 安裝 裝飾 市政 園林