風電預測及微電網(wǎng)優(yōu)化調(diào)度

第1章緒論 001
1.1風電預測及微電網(wǎng)優(yōu)化調(diào)度研究的目的和意義 003
1.2相關研究現(xiàn)狀 005
1.2.1風電預測研究現(xiàn)狀 006
1.2.2微電網(wǎng)優(yōu)化調(diào)度研究現(xiàn)狀 012
第2章基于信號分解和參數(shù)優(yōu)化的MKLSSVM風速預測 019
2.1概述 021
2.2基于WPD的風速數(shù)據(jù)預處理方法 021
2.2.1小波包分解基本原理 022
2.2.2風速數(shù)據(jù)歸一化處理 025
2.3基于CGDQPSO-MKLSSVM的風速預測模型 026
2.3.1改進型量子粒子群CGDQPSO算法 026
2.3.2自適應加權多核最小二乘（MKLSSVM）的風速預測方法 033
2.4基于信號分解和參數(shù)優(yōu)化的MKLSSVM風速預測建模 040
2.4.1風速短期預測的建模 040
2.4.2風速預測誤差評價指標 041
2.5案例分析 042
2.5.1風速樣本數(shù)據(jù) 042
2.5.2風速時間序列預處理 044
2.5.3單步風速預測結果及分析 047
2.5.4多步風速預測結果與分析 053
本章小結 058
第3章基于重力搜索算法優(yōu)化的雙核LSSVM風速預測 059
3.1概述 061
3.2聚合經(jīng)驗模態(tài)分解風速預處理方法 061
3.3雙核最小二乘支持向量機 064
3.4混合重力搜索算法優(yōu)化DKLSSVM參數(shù)和特征選擇 066
3.4.1重力搜索算法的工作原理 066
3.4.2二進制重力搜索算法的基本原理 067
3.4.3特征選擇和參數(shù)優(yōu)化 068
3.5EEMD-HGSA-DKLSSVM風速預測模型 068
3.6實例分析 070
3.6.1風速統(tǒng)計性描述 070
3.6.2EEMD風速樣本數(shù)據(jù)分解 071
3.6.3重構各輸入空間變量 073
3.6.4參數(shù)設置 075
3.6.5各分量特征選擇結果 075
3.6.6風速預測結果及比較分析 077
3.6.7與其他風速預測模型的比較與分析 084
本章小結 086
第4章基于粒子群重力搜索算法優(yōu)化的ELM風速預測 089
4.1概述 091
4.2風速預測方法 091
4.2.1極限學習機工作原理 091
4.2.2基于粒子群重力搜索混合算法的特征選擇和參數(shù)優(yōu)化 093
4.3風速預測模型 096
4.4風速預測建模 097
4.4.1風速樣本數(shù)據(jù) 097
4.4.2風速分解結果 099
4.4.3輸入矩陣重構 102
4.4.4特征選擇與模型參數(shù)設置 104
4.5風速預測結果及分析 105
4.5.1單步預測結果 105
4.5.2多步預測結果 112
本章小結 114
第5章基于回溯搜索算法優(yōu)化的DAWNN風速短期預測 115
5.1概述 117
5.2兩層風速預處理 118
5.3基于特征選擇和參數(shù)優(yōu)化的IHBSA-DAWNN風速預測方法 120
5.3.1加權雙激勵小波函數(shù)小波神經(jīng)網(wǎng)絡 120
5.3.2混合回溯搜索優(yōu)化算法改進及其理論分析 122
5.3.3混合編碼差異性變異回溯搜索算法的性能測試 126
5.3.4基于特征選擇與參數(shù)優(yōu)化的IHBSA-DAWNN風速預測方法 128
5.3.5基于TSD-IHBSA-DAWNN的風速預測 130
5.4風速預測建模 130
5.4.1風速樣本數(shù)據(jù)統(tǒng)計性描述 130
5.4.2風速樣本數(shù)據(jù)兩層分解 131
5.4.3構建DAWNN的輸入變量特征矩陣 134
5.4.4IHBSA-DAWNN風速預測模型 135
5.5風速預測結果、比較與分析 137
5.5.1案例1 137
5.5.2案例2 141
5.5.3案例3 142
本章小結 146
第6章多預測機風速預測組合模型 147
6.1概述 149
6.2多預測機風電預測組合模型原理 150
6.3自適應加權的風速組合預測模型 152
6.4案例分析 154
6.4.1風速數(shù)據(jù)樣本 154
6.4.2風速預測結果比較和分析 154
本章小結 157
第7章基于風電概率預測的微電網(wǎng)能源多目標優(yōu)化調(diào)度 159
7.1概述 161
7.2風電概率預測模型 162
7.2.1基于CEEMDAN的風電分解方法 162
7.2.2基于高斯過程回歸的概率預測方法 163
7.2.3蝙蝠算法優(yōu)化性能提升策略 165
7.2.4風電概率預測 169
7.2.5實證風電樣本數(shù)據(jù)及預處理 170
7.3微電網(wǎng)多目標優(yōu)化調(diào)度建模 172
7.3.1構建微電網(wǎng)多目標優(yōu)化模型 172
7.3.2微電網(wǎng)運行的約束條件 174
7.4基于IMOBA和模糊決策的微電網(wǎng)多目標優(yōu)化調(diào)度模型 175
7.4.1多目標優(yōu)化問題 175
7.4.2改進型多目標優(yōu)化蝙蝠算法及其性能評價 177
7.4.3多目標優(yōu)化多屬性決策 181
7.4.4基于IMOBA和模糊決策的微電網(wǎng)多目標優(yōu)化調(diào)度模型 182
7.5案例分析 183
7.5.1以運行成本最小為目標的運行場景Ⅰ 185
7.5.2以污染物排放量最小為目標的運行場景Ⅱ 186
7.5.3以運行成本和污染物排放為優(yōu)化目標的運行場景Ⅲ 187
7.5.4計算每小時Pareto最優(yōu)前沿解的運行場景Ⅳ 188
7.5.5按照電池充放電特性曲線進行調(diào)度的運行場景Ⅴ 190
本章小結 192
第8章計及風電區(qū)間預測微電網(wǎng)系統(tǒng)日前優(yōu)化調(diào)度 193
8.1概述 195
8.2微電網(wǎng)優(yōu)化調(diào)度目標函數(shù) 195
8.2.1光伏發(fā)電 196
8.2.2風電發(fā)電 197
8.2.3微型汽輪機發(fā)電 197
8.2.4燃料電池發(fā)電 198
8.2.5電池儲能系統(tǒng) 198
8.2.6目標優(yōu)化函數(shù) 199
8.2.7約束條件 200
8.3風電概率區(qū)間預測 200
8.3.1改進型水循環(huán)優(yōu)化算法 201
8.3.2風電確定性預測 206
8.3.3風電預測誤差概率分布 207
8.3.4自適應模糊控制風電預測誤差置信度 208
8.3.5風電預測誤差概率區(qū)間 210
8.4基于負荷平移的需求響應 210
8.4.1需求側(cè)負荷分類 210
8.4.2需求側(cè)響應模型 211
8.5微電網(wǎng)多目標優(yōu)化調(diào)度方法 214
8.5.1改進型多目標水循環(huán)優(yōu)化算法 214
8.5.2基于IMOWCA的微電網(wǎng)調(diào)度多目標優(yōu)化 217
8.6案例分析 218
8.6.1風電概率區(qū)間預測結果 220
8.6.2基于需求響應策略的負荷平移 223
8.6.3基于風電概率區(qū)間預測的微電網(wǎng)能源互補調(diào)度 224
本章小結 228
第9章結論與展望 229
參考文獻 232