学位论文 > 优秀研究生学位论文题录展示

基于最小二乘支持向量机风电机组的预测研究

作　者: 崔瑜琦
导　师: 杨锡运
学　校: 华北电力大学（北京）
专　业: 检测技术与自动化装置
关键词: 风轮 LS-SVM 桨距角发电量预测粒子群算法
分类号: TM614
类　型: 硕士论文
年　份: 2010年
下　载: 209次
引　用: 0次
阅　读: 论文下载

内容摘要

最小二乘支持向量机对非线性对象具有拟合和预测能力,风力发电系统是一个非线性的复杂系统,本文进行最小二乘支持向量基础理论在风电机组中的应用研究。针对风力发电机组的风轮进行研究并建模仿真,得到风轮动态特性曲线,并分析各种因素对风轮输出转矩的影响,与BP神经网络模型进行对比,验证最小二乘支持向量机优越性能。基于功率系数模型的基础上,提出风力发电机组的智能变桨模型,预测高于额定风速时,桨距角的变化。目前,国内对风速和发电量的短期预大多采用时间序列法和神经网络法,因此提出LS-SVM预测模型,利用实际数据模型的训练样本和测试样本,对风速与发电量进行24小时预报,同时建立粒子群优化参数模型,PSO-LS SVM模型与标准模型输出结果进行对比,验证PSO-LS SVM模型收敛性好,使LS-SVM模型为实际预报系统提供理论支持。

全文目录

中文摘要  3
英文摘要  3-6
第一章绪论  6-13
  1.1 研究背景  6-7
  1.2 国内外风力发电状况  7-11
    1.2.1 国外风力发电发展概况  7-9
    1.2.2 国内风力发电发展概况  9-10
    1.2.3 支持向量机在风力发电中的发展  10-11
  1.3 课题内容  11-13
第二章变桨距风力发电机组的基础理论及支持向量机理论  13-22
  2.1 变速风力发电基础理论  13-15
    2.1.1 风力机的特性系数  13-14
    2.1.2 C_p特性曲线  14-15
  2.2 小样本统计学习的基本理论  15-20
    2.2.1 VC维  15-16
    2.2.2 支持向量机算法  16-18
    2.2.3 SVM用于回归  18-20
  2.3 最小二乘支持向量机  20-21
  2.4 本章小结  21-22
第三章基于LS-SVM的风轮模型及运行特性分析  22-30
  3.1 引言  22
  3.2 叶素理论的风轮建模原理  22-24
  3.3 基于LS-SVM的风轮模型  24-26
    3.3.1 网络结构  24-25
    3.3.2 网络训练样本的选取  25-26
    3.3.3 程序示例  26
  3.4 模型仿真结果及运行特性分析  26-29
    3.4.1 T-n曲线  26-28
    3.4.2 T-v和P-v曲线  28-29
  3.5 本章小结  29-30
第四章基于最小二乘支持向量机的变桨距预测研究  30-35
  4.1 引言  30
  4.2 基于LS-SVM的功率系数建模设计  30-32
  4.3 高于额定风速下基于最小二乘支持向量机的桨距角预测  32-33
  4.4 仿真结果研究  33-34
  4.5 本章小结  34-35
第五章基于最小二乘支持向量机的短期风速及发电量预报  35-48
  5.1 引言  35
  5.2 风特性  35-36
  5.3 风力机的空气动力学  36
  5.4 LS-SVM网络  36-41
    5.4.1 基于LS-SVM网络进行风速预测的基本步骤  36-38
    5.4.2 实例分析  38-41
  5.5 短期发电量预报  41-43
  5.6 参数优化  43-47
    5.6.1 粒子群优化算法的思想  43-45
    5.6.2 粒子群优化最小二乘支持向量机的构建  45
    5.6.3 粒子群优化参数的最小二乘支持向量机预测模型  45-47
  5.7 本章小结  47-48
第六章结论与展望  48-50
  6.1 结论  48
  6.2 研究工作的展望  48-50
参考文献  50-53
致谢  53-54
在学期间发表的学术论文和参加科研情况  54

基于最小二乘支持向量机风电机组的预测研究

内容摘要

全文目录

相似论文