首页--工业技术论文--自动化技术、计算机技术论文--自动化基础理论论文--人工智能理论论文--人工神经网络与计算论文

基于深度神经网络的风功率日前预测与电力系统联合调度研究

摘要第3-5页
Abstract第5-6页
1 绪论第10-24页
    1.1 研究背景和意义第10-12页
        1.1.1 研究背景第10-11页
        1.1.2 研究意义第11-12页
    1.2 国内外研究现状第12-20页
        1.2.1 风功率预测的研究现状第12-16页
        1.2.2 含风电的电力系统经济调度研究现状第16-20页
    1.3 存在的问题及发展趋势第20-21页
    1.4 论文主要内容及技术路线第21-24页
        1.4.1 主要研究内容第21页
        1.4.2 技术路线第21-24页
2 基于LSTM深度神经网络的风功率日前预测第24-46页
    2.1 引言第24页
    2.2 风电场出力特性分析第24-30页
        2.2.1 出力特性分析第24-26页
        2.2.2 自相关分析第26-28页
        2.2.3 出力波动性分析第28-30页
    2.3 LSTM神经网络第30-32页
        2.3.1 LSTM神经网络简介第30-31页
        2.3.2 LSTM神经网络数学模型第31-32页
    2.4 风功率日前预测模型构建及求解第32-35页
        2.4.1 风功率多步预测模型第32页
        2.4.2 日前预测模型网络输入个数的选择第32-33页
        2.4.3 LSTM神经网络日前预测模型第33-35页
        2.4.4 日前预测模型评价指标第35页
    2.5 算例分析第35-43页
        2.5.1 LSTM、BP、Elman和SVM风功率日前预测滚动多步模型结果分析第36-40页
        2.5.2 风功率日前预测直接多步和滚动多步模型结果对比第40-43页
    2.6 本章小结第43-46页
3 基于VMD-LSTM的风功率日前预测第46-62页
    3.1 引言第46页
    3.2 时间序列数据分解方法第46-49页
        3.2.1 EMD第46-47页
        3.2.2 VMD第47-49页
    3.3 基于数据序列分解的LSTM风电场风功率日前预测模型第49-50页
    3.4 算例分析第50-60页
        3.4.1 VMD模态分量个数的选取第50页
        3.4.2 风电场风功率原始序列分解第50-52页
        3.4.3 基于序列分解的日前预测滚动多步模型结果对比第52-55页
        3.4.4 基于序列分解的日前预测直接多步模型结果对比第55-57页
        3.4.5 VMD-LSTM直接多步模型和VMD-SVM滚动多步模型结果分析第57-60页
    3.5 本章小结第60-62页
4 风功率日前预测误差不确定性建模第62-74页
    4.1 引言第62页
    4.2 日前预测的误差结果分析第62-66页
        4.2.1 误差特征分析第62-64页
        4.2.2 预测尺度与预测误差的函数关系第64-66页
    4.3 误差分布模型第66-69页
        4.3.1 拉普拉斯分布第66-67页
        4.3.2 正态分布第67页
        4.3.3 多维随机变量的联合概率分布第67-69页
    4.4 分布模型拟合度评价第69-70页
    4.5 算例分析第70-73页
        4.5.1 一维随机变量分布拟合第70-72页
        4.5.2 多维随机变量分布拟合第72-73页
    4.6 本章小结第73-74页
5 基于风电场出力场景包络区间的电力系统日前联合调度第74-90页
    5.1 引言第74-75页
    5.2 风电场出力场景包络区间第75-79页
        5.2.1 多维随机变量场景生成第75-76页
        5.2.2 多维随机变量场景缩减第76页
        5.2.3 场景聚类数目对场景包络区间的影响第76-79页
    5.3 基于风电场出力场景包络区间的电力系统日前联合调度模型第79-81页
        5.3.1 电力系统日前联合调度模型第79-81页
    5.4 调度模型的求解第81-84页
        5.4.1 机组运行状态列表的求解第81-82页
        5.4.2 机组最优出力的求解第82-83页
        5.4.3 算法实现流程第83-84页
    5.5 算例分析第84-87页
        5.5.1 问题描述第84-85页
        5.5.2 计算结果第85-87页
    5.6 本章小结第87-90页
6 结论与展望第90-92页
    6.1 结论第90-91页
    6.2 主要创新点第91页
    6.3 展望第91-92页
致谢第92-94页
参考文献第94-102页
附录第102-132页
博士在校期间成果第132页

论文共132页,点击 下载论文
上一篇:红壤土壤水分溶质运移特性及滴灌关键技术研究
下一篇:移动购物情境下消费者冲动性购买行为内在机制研究