風(fēng)電預(yù)測及微電網(wǎng)優(yōu)化調(diào)度

第1章緒論 001
1.1風(fēng)電預(yù)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(guān)研究現(xiàn)狀 005
1.2.1風(fēng)電預(yù)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(fēng)速預(yù)測 019
2.1概述 021
2.2基于WPD的風(fēng)速數(shù)據(jù)預(yù)處理方法 021
2.2.1小波包分解基本原理 022
2.2.2風(fēng)速數(shù)據(jù)歸一化處理 025
2.3基于CGDQPSO-MKLSSVM的風(fēng)速預(yù)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(yīng)加權(quán)多核最小二乘（MKLSSVM）的風(fēng)速預(yù)測方法 033
2.4基于信號分解和參數(shù)優(yōu)化的MKLSSVM風(fēng)速預(yù)測建模 040
2.4.1風(fēng)速短期預(yù)測的建模 040
2.4.2風(fēng)速預(yù)測誤差評價指標 041
2.5案例分析 042
2.5.1風(fēng)速樣本數(shù)據(jù) 042
2.5.2風(fēng)速時間序列預(yù)處理 044
2.5.3單步風(fēng)速預(yù)測結(jié)果及分析 047
2.5.4多步風(fēng)速預(yù)測結(jié)果與分析 053
本章小結(jié) 058
第3章基于重力搜索算法優(yōu)化的雙核LSSVM風(fēng)速預(yù)測 059
3.1概述 061
3.2聚合經(jīng)驗?zāi)B(tài)分解風(fēng)速預(yù)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(fēng)速預(yù)測模型 068
3.6實例分析 070
3.6.1風(fēng)速統(tǒng)計性描述 070
3.6.2EEMD風(fēng)速樣本數(shù)據(jù)分解 071
3.6.3重構(gòu)各輸入空間變量 073
3.6.4參數(shù)設(shè)置 075
3.6.5各分量特征選擇結(jié)果 075
3.6.6風(fēng)速預(yù)測結(jié)果及比較分析 077
3.6.7與其他風(fēng)速預(yù)測模型的比較與分析 084
本章小結(jié) 086
第4章基于粒子群重力搜索算法優(yōu)化的ELM風(fēng)速預(yù)測 089
4.1概述 091
4.2風(fēng)速預(yù)測方法 091
4.2.1極限學(xué)習(xí)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(fēng)速預(yù)測模型 096
4.4風(fēng)速預(yù)測建模 097
4.4.1風(fēng)速樣本數(shù)據(jù) 097
4.4.2風(fēng)速分解結(jié)果 099
4.4.3輸入矩陣重構(gòu) 102
4.4.4特征選擇與模型參數(shù)設(shè)置 104
4.5風(fēng)速預(yù)測結(jié)果及分析 105
4.5.1單步預(yù)測結(jié)果 105
4.5.2多步預(yù)測結(jié)果 112
本章小結(jié) 114
第5章基于回溯搜索算法優(yōu)化的DAWNN風(fēng)速短期預(yù)測 115
5.1概述 117
5.2兩層風(fēng)速預(yù)處理 118
5.3基于特征選擇和參數(shù)優(yōu)化的IHBSA-DAWNN風(fēng)速預(yù)測方法 120
5.3.1加權(quán)雙激勵小波函數(shù)小波神經(jīng)網(wǎng)絡(luò) 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(fēng)速預(yù)測方法 128
5.3.5基于TSD-IHBSA-DAWNN的風(fēng)速預(yù)測 130
5.4風(fēng)速預(yù)測建模 130
5.4.1風(fēng)速樣本數(shù)據(jù)統(tǒng)計性描述 130
5.4.2風(fēng)速樣本數(shù)據(jù)兩層分解 131
5.4.3構(gòu)建DAWNN的輸入變量特征矩陣 134
5.4.4IHBSA-DAWNN風(fēng)速預(yù)測模型 135
5.5風(fēng)速預(yù)測結(jié)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(jié) 146
第6章多預(yù)測機風(fēng)速預(yù)測組合模型 147
6.1概述 149
6.2多預(yù)測機風(fēng)電預(yù)測組合模型原理 150
6.3自適應(yīng)加權(quán)的風(fēng)速組合預(yù)測模型 152
6.4案例分析 154
6.4.1風(fēng)速數(shù)據(jù)樣本 154
6.4.2風(fēng)速預(yù)測結(jié)果比較和分析 154
本章小結(jié) 157
第7章基于風(fēng)電概率預(yù)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(fēng)電概率預(yù)測模型 162
7.2.1基于CEEMDAN的風(fēng)電分解方法 162
7.2.2基于高斯過程回歸的概率預(yù)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(fēng)電概率預(yù)測 169
7.2.5實證風(fēng)電樣本數(shù)據(jù)及預(yù)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(gòu)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(jié) 192
第8章計及風(fēng)電區(qū)間預(yù)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(fēng)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(fēng)電概率區(qū)間預(yù)測 200
8.3.1改進型水循環(huán)優(yōu)化算法 201
8.3.2風(fēng)電確定性預(yù)測 206
8.3.3風(fēng)電預(yù)測誤差概率分布 207
8.3.4自適應(yīng)模糊控制風(fēng)電預(yù)測誤差置信度 208
8.3.5風(fēng)電預(yù)測誤差概率區(qū)間 210
8.4基于負荷平移的需求響應(yīng) 210
8.4.1需求側(cè)負荷分類 210
8.4.2需求側(cè)響應(yīng)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(fēng)電概率區(qū)間預(yù)測結(jié)果 220
8.6.2基于需求響應(yīng)策略的負荷平移 223
8.6.3基于風(fēng)電概率區(qū)間預(yù)測的微電網(wǎng)能源互補調(diào)度 224
本章小結(jié) 228
第9章結(jié)論與展望 229
參考文獻 232