学位论文 > 优秀研究生学位论文题录展示

基于优化算法的风电场风能资源评估

作　者: 高洁
导　师: 徐余法
学　校: 华东理工大学
专　业: 控制科学与工程
关键词: 优化风电场风速概率分布粒子群算法 Weibull模型
分类号: TM614
类　型: 硕士论文
年　份: 2012年
下　载: 129次
引　用: 0次
阅　读: 论文下载

内容摘要

在当前资源短缺、污染加重等问题丛生的情况下,积极开展风力发电被提到各国的议事日程之上。大规模风电开发的基础工作是对该地区的风资源评估,准确而有效的评估某地区风资源概况切实影响到该地实际风电开发的实用性和经济性。其中,风速概率模型的确定成为风资源评估的核心部分,目前多采用Weibull两参数模型来拟合实际的风速,然而用于其参数确定的传统方法普遍存在一定的不足,因此,本文将粒子群算法引入到此问题的解决中。粒子群优化算法(Particle Swarm Optimization Algorithm, PSO)是一种新型智能算法,是受群体中个体之间信息共享与协同进化的启发而来。它是一种基于概率搜索的启发式算法,具有参数少、结构简单等优势,在很多领域都得到了广泛应用。本文的主要研究成果如下：(1)对传统粒子群算法的相关内容做了详细研究,包括算法机理的分析、带惯性权重和带收敛因子这两种基本粒子群算法的对比、各个参数对算法的影响、算法的流程和特点、与其余优化算法的比较等,从而对粒子群算法有了全面的深入了解。(2)针对传统粒子群算法普遍存在的极易陷入局部极值、算法迭代后期进度缓慢这两点不足,提出了新的改进算法。主要包括自适应降温模拟退火的引入和平均速度的引入。模拟退火可以一定程度上接受劣解,从而降低陷入局部极值的几率；平均速度是对粒子活跃程度的一种表征,以此来动态调整惯性权重和学习因子,某种程度上可以缓解算法末期收敛速度缓慢的不足。选择基准函数对改进算法进行测试,通过逐一增加改进点的方法,逐步体现最终改进算法的优势所在。(3)Weibull两参数模型是目前公认的对风速拟合效果最好的统计模型,其参数的确定主要有最小二乘法、平均风速与标准差法、平均风速与最大风速法。前两种算法后期数据的处理工作相当繁琐,后一种算法涉及到最大风速,需要较长时间的测风数据,目前要想获得这样完整的数据还有一定困难。因此本文采用了改进的粒子群算法,同时结合实际采风数据,对风速概率分布进行建模和寻优。通过与三种传统算法的对比分析发现,此改进算法的拟合效果让人满意,具有一定的实用价值。

全文目录

摘要  5-6
Abstract  6-9
第1章绪论  9-19
  1.1 引言  9
  1.2 课题的研究背景及意义  9-10
  1.3 优化算法  10-12
    1.3.1 传统优化算法  10-11
    1.3.2 智能优化算法  11
    1.3.3 无免费午餐定理  11-12
  1.4 粒子群算法简介  12-16
    1.4.1 粒子群算法的起源  12
    1.4.2 粒子群算法的研究现状  12-15
    1.4.3 粒子群算法的应用及发展趋势  15-16
  1.5 风资源评估的简介  16-17
    1.5.1 两参数Weibull分布模型  16
    1.5.2 两参数Weibull模型的参数计算  16-17
  1.6 本文的研究内容和方法  17
    1.6.1 本文的主要内容  17
    1.6.2 本文的主要方法  17
  1.7 本文的主要组织结构  17-19
第2章基本粒子群算法的研究  19-29
  2.1 引言  19
  2.2 粒子群算法的原理及数学表达  19-20
  2.3 标准粒子群算法  20-21
    2.3.1 带惯性权重ω的粒子群算法  20-21
    2.3.2 带收缩因子χ的粒子群算法  21
  2.4 粒子群算法的参数分析  21-23
  2.5 粒子群算法的流程  23-25
  2.6 粒子群算法的特点  25
  2.7 标准粒子群算法的收敛性分析  25-27
  2.8 粒子群算法同其余优化算法的比较  27-28
    2.8.1 粒子群算法同遗传算法的比较  27
    2.8.2 粒子群算法同蚁群算法的比较  27-28
  2.9 本章小结  28-29
第3章改进粒子群算法的研究  29-44
  3.1 引言  29
  3.2 基于模拟退火算法的改进  29-32
    3.2.1 算法描述  29-30
    3.2.2 新解的产生及接受机制  30
    3.2.3 冷却进度表  30-31
    3.2.4 算法流程  31
    3.2.5 自适应降温的模拟退火算法  31-32
  3.3 基于平均速度的改进  32-34
    3.3.1 平均速度  32
    3.3.2 平均速度调节惯性权重  32-33
    3.3.3 平均速度调节学习因子  33-34
  3.4 改进粒子群算法的流程  34-35
  3.5 改进算法的函数测试  35-43
    3.5.1 测试函数  35-38
    3.5.2 测试结果分析  38-43
  3.6 本章小结  43-44
第4章改进粒子群算法在风资源评估中的应用  44-56
  4.1 引言  44
  4.2 Weibull两参数模型  44-47
    4.2.1 最小二乘法  45-46
    4.2.2 平均风速和标准差法  46
    4.2.3 平均风速和最大风速法  46
    4.2.4 改进粒子群算法  46-47
  4.3 风资源特性指标  47-49
  4.4 实际风场案例分析  49-55
    4.4.1 风场背景  49-50
    4.4.2 数据统计与分析  50-55
  4.5 本章小结  55-56
第5章总结和展望  56-58
  5.1 论文总结  56
  5.2 未来展望  56-58
参考文献  58-64
致谢  64-65
附录  65

基于优化算法的风电场风能资源评估

内容摘要

全文目录

相似论文