学位论文 > 优秀研究生学位论文题录展示

基于最大风能追踪的风速预测研究

作　者: 任艳锋
导　师: 包广清
学　校: 兰州理工大学
专　业: 电力电子与电力传动
关键词: 直驱式永磁同步发电风速预测 IPSO优化算法 RBF神经网络最小二乘支持向量机
分类号: TM614
类　型: 硕士论文
年　份: 2010年
下　载: 210次
引　用: 0次
阅　读: 论文下载

内容摘要

能源与环境问题已成为全球可持续发展所面临的主要问题之一,风力发电以其无污染和可再生性,日益受到世界各国的重视,并保持增长最快的能源地位。我国西部地区由于历史、地理位置等诸多因素,存在着较多的无电地区和无电人口。全国6000多万无电人口大部分分布在西部地区,要解决长期稳定可靠的供电问题,只能依赖当地的自然能源。甘肃省河西走廊地区具有丰富的风力资源,风能密度达到200-300W/m2,有效风力出现时间百分率为70%左右,具有较大的风能利用价值。本课题的研究将充分发挥这一地区资源优势,在缓解全省乃至全国用电压力、降低不可再生能源消耗以及保护生态环境等方面具有重要的促进作用。在保证风力发电系统正常稳定工作的同时,尽可能多的利用风能,实现最大风能追踪控制始终是风能控制系统的主要目标之一。根据风力机功率特性及贝茨理论,风力机从风中获得机械能的大小与风速和发电机的转速有直接关系,因此,在风力发电系统中风速值的准确测量对风能的利用至关重要。由于空气动力系统的不确定性,传统的风速计实时测量得到的数据往往偏差较大,而且这种机械测量还大大增加了系统成本和复杂性。选择恰当的最大的风能追踪控制方法是提高风电机组效率的关键因素,针对以上问题,本文提出基于改进粒子群(IPSO)优化的径向基(RBF)神经网络风速预测和基于最小二乘支持向量机(LS-SVM)风速预测方法来提高风速预测精度,进而提高风力发电机组风能捕获效率。首先,在传统PSO的基础上应用不对称学习因子的IPSO,该方法可以使粒子在搜索的初期获得更好的多样性,从而使粒子具有更强的摆脱局部极值的能力,同时在搜索后期加快粒子的收敛速度,提高全局寻优能力。用IPSO优化RBF神经网络核参数的中心值ci和扩展常数σi来确定更加准确的神经网络预测模型,从该模型运用到最大风能追踪的风速预测的结果看,预测误差的平均值比优化前的RBF神经网络减少了11%。由于该算法对样本数据具有强依赖性,需要大量的数据样本来训练网络,本文又提出了一种新型LS-SVM风速预测模型,该模型需要确定的参数只有正则参数γ和RBF核参数σi，模型结构简单,仿真结果的绝对值平均误差为0.2385,可以看出,该方法达到了预测目标,而且该方法具有小样本学习能力强、模型推广性能好、高维数据处理能力强等特性,值得在风电场风速预测应用中推广。通过以上研究,为建立具有我国自主知识产权的新型永磁直驱式风电系统设计与控制奠定理论和试验基础。

全文目录

目录  5-8
摘要  8-9
ABSTRACT  9-11
插图索引  11-13
第1章绪论  13-19
  1.1 课题背景及研究意义  13-14
    1.1.1 课题背景  13
    1.1.2 课题意义  13-14
  1.2 风力发电技术的研究现状  14-17
    1.2.1 风力发电系统的研究现状  14-16
    1.2.2 最大功率追踪控制策略的研究现状  16-17
  1.3 本论文的主要工作  17-19
第2章直驱式永磁同步风力发电系统  19-32
  2.1 系统介绍  19
  2.2 风力机控制  19-23
    2.2.1 风力机的功率特性  20-21
    2.2.2 风力机发电机运行原理  21-23
  2.3 发电机与逆变器控制  23-28
    2.3.1 发电机控制  23-24
    2.3.2 仿真研究  24-27
    2.3.3 逆变器控制  27-28
  2.4 控制系统中的风速估计  28-31
    2.4.1 风速特性  28
    2.4.2 风速估计模型  28-29
    2.4.3 风速估计的样本数据  29-31
  2.5 小结  31-32
第3章基于IPSO算法的RBF神经网络的风速预测  32-50
  3.1 粒子群优化算法介绍  32-36
    3.1.1 标准粒子群优化算法  32-33
    3.1.2 PSO算法收敛性分析  33-34
    3.1.3 学习因子线性变化的粒子群算法  34-36
  3.2 人工神经网络  36-38
    3.2.1 神经元模型  36-37
    3.2.2 神经网络的激活函数  37-38
  3.3 RBF神经网络  38-43
    3.3.1 RBF网络的结构及特点  39-40
    3.3.2 RBF神经网络隐含层单元数量的确定方法  40-41
    3.3.3 RBF神经网络权值算法研究  41-43
  3.4 基于IPSO算法的RBF神经网络的优化设计  43-47
  3.5 基于IPSO-RBF神经网络在风速预测中的应用  47-49
    3.5.1 神经网络模型的建立  47
    3.5.2 仿真结果分析  47-49
  3.6 小结  49-50
第4章基于最小二乘支持向量机的风速预测  50-66
  4.1 概述  50
  4.2 统计学习理论  50-53
    4.2.1 VC维  50-51
    4.2.2 推广型的界  51
    4.2.3 结构风险最小化  51-53
  4.3 支持向量机分类  53-57
    4.3.1 最优分割超平面  53-54
    4.3.2 线性SVM  54-56
    4.3.3 非线性SVM  56-57
  4.4 核函数的选取  57-58
  4.5 支持向量机的回归分析  58-61
    4.5.1 支持向量机回归原理  58-60
    4.5.2 回归算法  60-61
  4.6 最小二乘支持向量机原理  61-63
  4.7 基于LS-SVM的风速估预测研究  63-65
    4.7.1 基于LS-SVM的风速预测模型  63
    4.7.2 核函数的构造和参数选择  63-64
    4.7.3 仿真结果分析  64-65
  4.8 小结  65-66
结论与展望  66-68
参考文献  68-72
致谢  72-73
附录A 攻读学位期间所发表的学术论文目录  73

基于最大风能追踪的风速预测研究

内容摘要

全文目录

相似论文