基于粒子群优化算法改进深度极限学习机的短期风电功率预测及应用研究

作     者：陈文彬 

作者单位：南昌大学 

学位级别：硕士

导师姓名：徐刚

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：风电功率短期预测 深度极限学习机 季节性趋势分解 时间卷积网络 粒子群优化算法 

摘      要：风电短期功率预测对电力系统的安全运行意义重大,然而风力发电所伴随的随机性与不确定性为电力系统的有效调度带来了巨大挑战。风电预测的模型虽然繁多,但是传统模型受限于自身网络结构,已无法满足现实中复杂环境下的预测精度需要。 因此本项研究提出了一种高效的风力发电短期预测模型,该模型以深度极限学习机(DELM)为基础进行了深度学习的网络构建。首先针对原始风电数据中异常值以及缺失值的存在对模型预测精度可能存在影响的问题,应用了孤立森林算法对原始风电数据进行了异常值检测与剔除,使用了随机森林算法进行了对应的缺失值插补,保证了数据质量和处理的精细度;其次通过季节性趋势分解算法(STL)分解数据并采用时间卷积网络(TCN)来捕捉风力发电时间序列中的动态特征,有效解决了时间序列预测中的长期依赖问题;随后利用改进的自适应分形量子粒子群算法(AFQPSO)对DELM网络的权重参数和阈值进行了精确的优化,提高了网络的训练精度;最后使用改进后的DELM预测模型与当前主流的风力发电预测模型进行消融与对比实验,验证了整个预测模型的高精度和鲁棒性。 为了展示预测模型良好的稳健性,本文对模型进行了数据扰动试验、域适应扰动测试及模型参数扰动测试,进一步验证了模型出色的泛化能力。这些特性使得模型在实际风电调度及电力系统安全运行方面发挥了重要作用,也为相关领域提供了新的解决思路。