商品详情
书名：风电预测及微电网优化调度
定价：98.0
ISBN：9787122433169
作者：孙驷洲、孟樱 著
版次：第1版
出版时间：2023-08
内容提要：
为了使读者更好地学习和掌握风速和风电预测建模原理，本书在风速时间序列分解的基础上，系统地介绍了基于机器学习等方法的风速和风电预测建模原理，并利用优化算法进行预测模型求解。本书主要基于典型的机器学习方法，如最小二乘支持向量机（LSSVM）、极限学习机（ELM）和小波神经网络（WNN）进行风速建模与预测，并利用优化算法进行参数优化和特征选择。此外，本书还介绍了风电预测建模方法在微电网优化调度中的应用。 本书可供风电场风速预测相关研究与技术人员参考，也适合作为高等院校相关专业教师和研究生了解风电预测的拓展资料。
作者简介：
无
目录：
第1章绪论 001
1.1风电预测及微电网优化调度研究的目的和意义 003
1.2相关研究现状 005
1.2.1风电预测研究现状 006
1.2.2微电网优化调度研究现状 012
第2章基于信号分解和参数优化的MKLSSVM风速预测 019
2.1概述 021
2.2基于WPD的风速数据预处理方法 021
2.2.1小波包分解基本原理 022
2.2.2风速数据归一化处理 025
2.3基于CGDQPSO-MKLSSVM的风速预测模型 026
2.3.1改进型量子粒子群CGDQPSO算法 026
2.3.2自适应加权多核最小二乘（MKLSSVM）的风速预测方法 033
2.4基于信号分解和参数优化的MKLSSVM风速预测建模 040
2.4.1风速短期预测的建模 040
2.4.2风速预测误差评价指标 041
2.5案例分析 042
2.5.1风速样本数据 042
2.5.2风速时间序列预处理 044
2.5.3单步风速预测结果及分析 047
2.5.4多步风速预测结果与分析 053
本章小结 058
第3章基于重力搜索算法优化的双核LSSVM风速预测 059
3.1概述 061
3.2聚合经验模态分解风速预处理方法 061
3.3双核最小二乘支持向量机 064
3.4混合重力搜索算法优化DKLSSVM参数和特征选择 066
3.4.1重力搜索算法的工作原理 066
3.4.2二进制重力搜索算法的基本原理 067
3.4.3特征选择和参数优化 068
3.5EEMD-HGSA-DKLSSVM风速预测模型 068
3.6实例分析 070
3.6.1风速统计性描述 070
3.6.2EEMD风速样本数据分解 071
3.6.3重构各输入空间变量 073
3.6.4参数设置 075
3.6.5各分量特征选择结果 075
3.6.6风速预测结果及比较分析 077
3.6.7与其他风速预测模型的比较与分析 084
本章小结 086
第4章基于粒子群重力搜索算法优化的ELM风速预测 089
4.1概述 091
4.2风速预测方法 091
4.2.1极限学习机工作原理 091
4.2.2基于粒子群重力搜索混合算法的特征选择和参数优化 093
4.3风速预测模型 096
4.4风速预测建模 097
4.4.1风速样本数据 097
4.4.2风速分解结果 099
4.4.3输入矩阵重构 102
4.4.4特征选择与模型参数设置 104
4.5风速预测结果及分析 105
4.5.1单步预测结果 105
4.5.2多步预测结果 112
本章小结 114
第5章基于回溯搜索算法优化的DAWNN风速短期预测 115
5.1概述 117
5.2两层风速预处理 118
5.3基于特征选择和参数优化的IHBSA-DAWNN风速预测方法 120
5.3.1加权双激励小波函数小波神经网络 120
5.3.2混合回溯搜索优化算法改进及其理论分析 122
5.3.3混合编码差异性变异回溯搜索算法的性能测试 126
5.3.4基于特征选择与参数优化的IHBSA-DAWNN风速预测方法 128
5.3.5基于TSD-IHBSA-DAWNN的风速预测 130
5.4风速预测建模 130
5.4.1风速样本数据统计性描述 130
5.4.2风速样本数据两层分解 131
5.4.3构建DAWNN的输入变量特征矩阵 134
5.4.4IHBSA-DAWNN风速预测模型 135
5.5风速预测结果、比较与分析 137
5.5.1案例1 137
5.5.2案例2 141
5.5.3案例3 142
本章小结 146
第6章多预测机风速预测组合模型 147
6.1概述 149
6.2多预测机风电预测组合模型原理 150
6.3自适应加权的风速组合预测模型 152
6.4案例分析 154
6.4.1风速数据样本 154
6.4.2风速预测结果比较和分析 154
本章小结 157
第7章基于风电概率预测的微电网能源多目标优化调度 159
7.1概述 161
7.2风电概率预测模型 162
7.2.1基于CEEMDAN的风电分解方法 162
7.2.2基于高斯过程回归的概率预测方法 163
7.2.3蝙蝠算法优化性能提升策略 165
7.2.4风电概率预测 169
7.2.5实证风电样本数据及预处理 170
7.3微电网多目标优化调度建模 172
7.3.1构建微电网多目标优化模型 172
7.3.2微电网运行的约束条件 174
7.4基于IMOBA和模糊决策的微电网多目标优化调度模型 175
7.4.1多目标优化问题 175
7.4.2改进型多目标优化蝙蝠算法及其性能评价 177
7.4.3多目标优化多属性决策 181
7.4.4基于IMOBA和模糊决策的微电网多目标优化调度模型 182
7.5案例分析 183
7.5.1以运行成本最小为目标的运行场景Ⅰ 185
7.5.2以污染物排放量最小为目标的运行场景Ⅱ 186
7.5.3以运行成本和污染物排放为优化目标的运行场景Ⅲ 187
7.5.4计算每小时Pareto最优前沿解的运行场景Ⅳ 188
7.5.5按照电池充放电特性曲线进行调度的运行场景Ⅴ 190
本章小结 192
第8章计及风电区间预测微电网系统日前优化调度 193
8.1概述 195
8.2微电网优化调度目标函数 195
8.2.1光伏发电 196
8.2.2风电发电 197
8.2.3微型汽轮机发电 197
8.2.4燃料电池发电 198
8.2.5电池储能系统 198
8.2.6目标优化函数 199
8.2.7约束条件 200
8.3风电概率区间预测 200
8.3.1改进型水循环优化算法 201
8.3.2风电确定性预测 206
8.3.3风电预测误差概率分布 207
8.3.4自适应模糊控制风电预测误差置信度 208
8.3.5风电预测误差概率区间 210
8.4基于负荷平移的需求响应 210
8.4.1需求侧负荷分类 210
8.4.2需求侧响应模型 211
8.5微电网多目标优化调度方法 214
8.5.1改进型多目标水循环优化算法 214
8.5.2基于IMOWCA的微电网调度多目标优化 217
8.6案例分析 218
8.6.1风电概率区间预测结果 220
8.6.2基于需求响应策略的负荷平移 223
8.6.3基于风电概率区间预测的微电网能源互补调度 224
本章小结 228
第9章结论与展望 229
参考文献 232
定价：98.0
ISBN：9787122433169
作者：孙驷洲、孟樱 著
版次：第1版
出版时间：2023-08
内容提要：
为了使读者更好地学习和掌握风速和风电预测建模原理，本书在风速时间序列分解的基础上，系统地介绍了基于机器学习等方法的风速和风电预测建模原理，并利用优化算法进行预测模型求解。本书主要基于典型的机器学习方法，如最小二乘支持向量机（LSSVM）、极限学习机（ELM）和小波神经网络（WNN）进行风速建模与预测，并利用优化算法进行参数优化和特征选择。此外，本书还介绍了风电预测建模方法在微电网优化调度中的应用。 本书可供风电场风速预测相关研究与技术人员参考，也适合作为高等院校相关专业教师和研究生了解风电预测的拓展资料。
作者简介：
无
目录：
第1章绪论 001
1.1风电预测及微电网优化调度研究的目的和意义 003
1.2相关研究现状 005
1.2.1风电预测研究现状 006
1.2.2微电网优化调度研究现状 012
第2章基于信号分解和参数优化的MKLSSVM风速预测 019
2.1概述 021
2.2基于WPD的风速数据预处理方法 021
2.2.1小波包分解基本原理 022
2.2.2风速数据归一化处理 025
2.3基于CGDQPSO-MKLSSVM的风速预测模型 026
2.3.1改进型量子粒子群CGDQPSO算法 026
2.3.2自适应加权多核最小二乘（MKLSSVM）的风速预测方法 033
2.4基于信号分解和参数优化的MKLSSVM风速预测建模 040
2.4.1风速短期预测的建模 040
2.4.2风速预测误差评价指标 041
2.5案例分析 042
2.5.1风速样本数据 042
2.5.2风速时间序列预处理 044
2.5.3单步风速预测结果及分析 047
2.5.4多步风速预测结果与分析 053
本章小结 058
第3章基于重力搜索算法优化的双核LSSVM风速预测 059
3.1概述 061
3.2聚合经验模态分解风速预处理方法 061
3.3双核最小二乘支持向量机 064
3.4混合重力搜索算法优化DKLSSVM参数和特征选择 066
3.4.1重力搜索算法的工作原理 066
3.4.2二进制重力搜索算法的基本原理 067
3.4.3特征选择和参数优化 068
3.5EEMD-HGSA-DKLSSVM风速预测模型 068
3.6实例分析 070
3.6.1风速统计性描述 070
3.6.2EEMD风速样本数据分解 071
3.6.3重构各输入空间变量 073
3.6.4参数设置 075
3.6.5各分量特征选择结果 075
3.6.6风速预测结果及比较分析 077
3.6.7与其他风速预测模型的比较与分析 084
本章小结 086
第4章基于粒子群重力搜索算法优化的ELM风速预测 089
4.1概述 091
4.2风速预测方法 091
4.2.1极限学习机工作原理 091
4.2.2基于粒子群重力搜索混合算法的特征选择和参数优化 093
4.3风速预测模型 096
4.4风速预测建模 097
4.4.1风速样本数据 097
4.4.2风速分解结果 099
4.4.3输入矩阵重构 102
4.4.4特征选择与模型参数设置 104
4.5风速预测结果及分析 105
4.5.1单步预测结果 105
4.5.2多步预测结果 112
本章小结 114
第5章基于回溯搜索算法优化的DAWNN风速短期预测 115
5.1概述 117
5.2两层风速预处理 118
5.3基于特征选择和参数优化的IHBSA-DAWNN风速预测方法 120
5.3.1加权双激励小波函数小波神经网络 120
5.3.2混合回溯搜索优化算法改进及其理论分析 122
5.3.3混合编码差异性变异回溯搜索算法的性能测试 126
5.3.4基于特征选择与参数优化的IHBSA-DAWNN风速预测方法 128
5.3.5基于TSD-IHBSA-DAWNN的风速预测 130
5.4风速预测建模 130
5.4.1风速样本数据统计性描述 130
5.4.2风速样本数据两层分解 131
5.4.3构建DAWNN的输入变量特征矩阵 134
5.4.4IHBSA-DAWNN风速预测模型 135
5.5风速预测结果、比较与分析 137
5.5.1案例1 137
5.5.2案例2 141
5.5.3案例3 142
本章小结 146
第6章多预测机风速预测组合模型 147
6.1概述 149
6.2多预测机风电预测组合模型原理 150
6.3自适应加权的风速组合预测模型 152
6.4案例分析 154
6.4.1风速数据样本 154
6.4.2风速预测结果比较和分析 154
本章小结 157
第7章基于风电概率预测的微电网能源多目标优化调度 159
7.1概述 161
7.2风电概率预测模型 162
7.2.1基于CEEMDAN的风电分解方法 162
7.2.2基于高斯过程回归的概率预测方法 163
7.2.3蝙蝠算法优化性能提升策略 165
7.2.4风电概率预测 169
7.2.5实证风电样本数据及预处理 170
7.3微电网多目标优化调度建模 172
7.3.1构建微电网多目标优化模型 172
7.3.2微电网运行的约束条件 174
7.4基于IMOBA和模糊决策的微电网多目标优化调度模型 175
7.4.1多目标优化问题 175
7.4.2改进型多目标优化蝙蝠算法及其性能评价 177
7.4.3多目标优化多属性决策 181
7.4.4基于IMOBA和模糊决策的微电网多目标优化调度模型 182
7.5案例分析 183
7.5.1以运行成本最小为目标的运行场景Ⅰ 185
7.5.2以污染物排放量最小为目标的运行场景Ⅱ 186
7.5.3以运行成本和污染物排放为优化目标的运行场景Ⅲ 187
7.5.4计算每小时Pareto最优前沿解的运行场景Ⅳ 188
7.5.5按照电池充放电特性曲线进行调度的运行场景Ⅴ 190
本章小结 192
第8章计及风电区间预测微电网系统日前优化调度 193
8.1概述 195
8.2微电网优化调度目标函数 195
8.2.1光伏发电 196
8.2.2风电发电 197
8.2.3微型汽轮机发电 197
8.2.4燃料电池发电 198
8.2.5电池储能系统 198
8.2.6目标优化函数 199
8.2.7约束条件 200
8.3风电概率区间预测 200
8.3.1改进型水循环优化算法 201
8.3.2风电确定性预测 206
8.3.3风电预测误差概率分布 207
8.3.4自适应模糊控制风电预测误差置信度 208
8.3.5风电预测误差概率区间 210
8.4基于负荷平移的需求响应 210
8.4.1需求侧负荷分类 210
8.4.2需求侧响应模型 211
8.5微电网多目标优化调度方法 214
8.5.1改进型多目标水循环优化算法 214
8.5.2基于IMOWCA的微电网调度多目标优化 217
8.6案例分析 218
8.6.1风电概率区间预测结果 220
8.6.2基于需求响应策略的负荷平移 223
8.6.3基于风电概率区间预测的微电网能源互补调度 224
本章小结 228
第9章结论与展望 229
参考文献 232
- 化学工业出版社官方旗舰店 （微信公众号认证）
- 扫描二维码，访问我们的微信店铺
- 随时随地的购物、客服咨询、查询订单和物流...
