《風速預測模型研究》11000字

目錄III目錄IV風速預測模型研究摘要這是一個高科技技術迅速發(fā)展的時代。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，會產(chǎn)生大量的二氧化碳排放，進一步對環(huán)境造成污染。因此，為提倡保護環(huán)境、節(jié)省資源的號召，我們現(xiàn)在開始充分利用地球上的可再生能源，比如風能、太陽能、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，而風能發(fā)電的其中一個重要因素就是風速。但是，由于風電具有擊穿和不穩(wěn)定的特性，具有這些特性會嚴重影響風電網(wǎng)絡的連接。因此，有效預測風速變化和更準確的風速設計模型對于開發(fā)所需的風力至關重要。本文提供了一個基于混合核函數(shù)的通用預測模型，該函數(shù)包括針對LSSVM優(yōu)化的四個參數(shù)和差分自動回歸移動平均值（ARIMA）。首先，我們可以將風速信號分解為低頻率的近似分量和高頻率的細節(jié)分量。對于低頻分量，本文提出的四參數(shù)混合核心函數(shù)用于預測優(yōu)化的LSSVM模型。對于高頻分量，使用ARIMA模型進行處理，該模型對不穩(wěn)定信號具有更好的適用性。直到最后，我們?yōu)槿〉米罱K的預測結果，可以打亂并重新安排出每一個組件的預測結果。先進的模型通過分析信號和對混合預測進行分類來提高模型預測的準確性。通過兩種方法的同時實驗，我們預測出了擬議的風速，結果證明，基于四參數(shù)集成混合核心函數(shù)的高級LSSVM模型較為簡單，適用于四參數(shù)集成混合核心函數(shù)的LSSVM模型較為簡單?；贚SSVM模型，結合ARIMA模型的預測模型可以大大提高預測的準確性，并適應更高的預測精度所需要的條件。關鍵詞：風電場短期;風速預測;方法研究目錄TOC\o"1-3"\h\u6605摘要 摘要參考文獻參考文獻[1]肖建輝.基于機器學習的風電場短期風速預測混合模型研究[D].東華大學,2020.[2]成金杰.基于相似日和特征約簡的短期風電功率預測方法研究[D].南京信息工程大學,2020.[3]凡航,張雪敏,梅生偉,楊忠良.基于時空神經(jīng)網(wǎng)絡的風電場超短期風速預測模型[J].電力系統(tǒng)自動化,2021,45(01):28-35.[4]蘇盈盈,李翠英,王曉峰,康東帥,劉君.風電場短期風速的C-C和ELM快速預測方法[J].電力系統(tǒng)及其自動化學報,2019,31(07):76-80+87.[5]傅堯.風力發(fā)電短期功率預測方法研究[D].沈陽農(nóng)業(yè)大學,2019.[6]支興亮.基于WRF模式的復雜地形下短期風速集成預報方法研究[D].南京信息工程大學,2019.[7]肖文萍.基于EWT和LSSVM的短期風速預測方法研究[D].吉林大學,2019.[8]胡偉成.山地風電場微觀選址及短期風速預測研究[D].北京交通大學,2019.[9]王紅剛.基于融合長短時記憶網(wǎng)絡的超短期風速預測研究[D].武漢理工大學,2019.[10]潘羿龍.風電場超短期風速預測方法研究[D].上海電機學院,2019.[11]張君,薛莉,王波,關永昌,趙鑫.基于梯度優(yōu)化自適應指數(shù)平滑法的風電場短期風速預測方法研究[J].機電工程,2016,33(07):895-899.[12]李衛(wèi),席林.一種新的風電場風速時間序列建模及超短期預測方法[J].電網(wǎng)與清潔能源,2015,31(09):78-82.[13]王國權,王森,劉華勇,薛永端,周平.風電場短期風速預測方法研究[J].可再生能源,2014,32(08):1134-1139.[14]孫斌,姚海濤.基于混沌特性的風電場風速短期預測方法[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.風電場超短期風速預測方法對比[J].科學技術與工程,2013,13(11):2965-2969.[16]卿湘運,楊富文,王行愚.采用貝葉斯–克里金–卡爾曼模型的多風電場風速短期預測[J].中國電機工程學報,2012,32(35):107-114.[17]彭懷午,劉方銳,楊曉峰.基于組合預測方法的風電場短期風速預測[J]