幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

風電預測及微電網優化調度

  • 作者：孫駟洲//孟櫻|責編:張賽
  • 出版社：化學工業
  • ISBN：9787122433169
  • 出版日期：2023/08/01
  • 裝幀：平裝
  • 頁數：241
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    為了使讀者更好地學習和掌握風速和風電預測建模原理，本書在風速時間序列分解的基礎上，系統地介紹了基於機器學習等方法的風速和風電預測建模原理，並利用優化演算法進行預測模型求解。本書主要基於典型的機器學習方法，如最小二乘支持向量機（LSSVM）、極限學習機（ELM）和小波神經網路（WNN）進行風速建模與預測，並利用優化演算法進行參數優化和特徵選擇。此外，本書還介紹了風電預測建模方法在微電網優化調度中的應用。
    本書可供風電場風速預測相關研究與技術人員參考，也適合作為高等院校相關專業教師和研究生了解風電預測的拓展資料。
作者介紹
孫駟洲//孟櫻|責編:張賽
目錄
第1章  緒論
  1.1  風電預測及微電網優化調度研究的目的和意義
  1.2  相關研究現狀
    1.2.1  風電預測研究現狀
    1.2.2  微電網優化調度研究現狀
第2章  基於信號分解和參數優化的MKLSSVM風速預測
  2.1  概述
  2.2  基於WPD的風速數據預處理方法
    2.2.1  小波包分解基本原理
    2.2.2  風速數據歸一化處理
  2.3  基於CGDQPSO-MKLSSVM的風速預測模型
    2.3.1  改進型量子粒子群CGDQPSO演算法
    2.3.2  自適應加權多核最小二乘（MKLSSVM）的風速預測方法
  2.4  基於信號分解和參數優化的MKLSSVM風速預測建模
    2.4.1  風速短期預測的建模
    2.4.2  風速預測誤差評價指標
  2.5  案例分析
    2.5.1  風速樣本數據
    2.5.2  風速時間序列預處理
    2.5.3  單步風速預測結果及分析
    2.5.4  多步風速預測結果與分析
  本章小結
第3章  基於重力搜索演算法優化的雙核LSSVM風速預測
  3.1  概述
  3.2  聚合經驗模態分解風速預處理方法
  3.3  雙核最小二乘支持向量機
  3.4  混合重力搜索演算法優化DKLSSVM參數和特徵選擇
    3.4.1  重力搜索演算法的工作原理
    3.4.2  二進位重力搜索演算法的基本原理
    3.4.3  特徵選擇和參數優化
  3.5  EEMD-HGSA-DKLSSVM風速預測模型
  3.6  實例分析
    3.6.1  風速統計性描述
    3.6.2  EEMD風速樣本數據分解
    3.6.3  重構各輸入空間變數
    3.6.4  參數設置
    3.6.5  各分量特徵選擇結果
    3.6.6  風速預測結果及比較分析
    3.6.7  與其他風速預測模型的比較與分析
  本章小結
第4章  基於粒子群重力搜索演算法優化的ELM風速預測
  4.1  概述
  4.2  風速預測方法
    4.2.1  極限學習機工作原理
    4.2.2  基於粒子群重力搜索混合演算法的特徵選擇和參數優化
  4.3  風速預測模型
  4.4  風速預測建模
    4.4.1  風速樣本數據
    4.4.2  風速分解結果
    4.4.3  輸入矩陣重構

    4.4.4  特徵選擇與模型參數設置
  4.5  風速預測結果及分析
    4.5.1  單步預測結果
    4.5.2  多步預測結果
  本章小結
第5章  基於回溯搜索演算法優化的DAWNN風速短期預測
  5.1  概述
  5.2  兩層風速預處理
  5.3  基於特徵選擇和參數優化的IHBSA-DAWNN風速預測方法
    5.3.1  加權雙激勵小波函數小波神經網路
    5.3.2  混合回溯搜索優化演算法改進及其理論分析
    5.3.3  混合編碼差異性變異回溯搜索演算法的性能測試
    5.3.4  基於特徵選擇與參數優化的IHBSA-DAWNN風速預測方法
    5.3.5  基於TSD-IHBSA-DAWNN的風速預測
  5.4  風速預測建模
    5.4.1  風速樣本數據統計性描述
    5.4.2  風速樣本數據兩層分解
    5.4.3  構建DAWNN的輸入變數特徵矩陣
    5.4.4  IHBSA-DAWNN風速預測模型
  5.5  風速預測結果、比較與分析
    5.5.1  案例
    5.5.2  案例
    5.5.3  案例
  本章小結
第6章  多預測機風速預測組合模型
  6.1  概述
  6.2  多預測機風電預測組合模型原理
  6.3  自適應加權的風速組合預測模型
  6.4  案例分析
    6.4.1  風速數據樣本
    6.4.2  風速預測結果比較和分析
  本章小結
第7章  基於風電概率預測的微電網能源多目標優化調度
  7.1  概述
  7.2  風電概率預測模型
    7.2.1  基於CEEMDAN的風電分解方法
    7.2.2  基於高斯過程回歸的概率預測方法
    7.2.3  蝙蝠演算法優化性能提升策略
    7.2.4  風電概率預測
    7.2.5  實證風電樣本數據及預處理
  7.3  微電網多目標優化調度建模
    7.3.1  構建微電網多目標優化模型
    7.3.2  微電網運行的約束條件
  7.4  基於IMOBA和模糊決策的微電網多目標優化調度模型
    7.4.1  多目標優化問題
    7.4.2  改進型多目標優化蝙蝠演算法及其性能評價
    7.4.3  多目標優化多屬性決策
    7.4.4  基於IMOBA和模糊決策的微電網多目標優化調度模型
  7.5  案例分析
    7.5.1  以運行成本最小為目標的運行場景Ⅰ

    7.5.2  以污染物排放量最小為目標的運行場景Ⅱ
    7.5.3  以運行成本和污染物排放為優化目標的運行場景Ⅲ
    7.5.4  計算每小時Pareto最優前沿解的運行場景Ⅳ
    7.5.5  按照電池充放電特性曲線進行調度的運行場景Ⅴ
  本章小結
第8章  計及風電區間預測微電網系統日前優化調度
  8.1  概述
  8.2  微電網優化調度目標函數
    8.2.1  光伏發電
    8.2.2  風電發電
    8.2.3  微型汽輪機發電
    8.2.4  燃料電池發電
    8.2.5  電池儲能系統
    8.2.6  目標優化函數
    8.2.7  約束條件
  8.3  風電概率區間預測
    8.3.1  改進型水循環優化演算法
    8.3.2  風電確定性預測
    8.3.3  風電預測誤差概率分佈
    8.3.4  自適應模糊控制風電預測誤差置信度
    8.3.5  風電預測誤差概率區間
  8.4  基於負荷平移的需求響應
    8.4.1  需求側負荷分類
    8.4.2  需求側響應模型
  8.5  微電網多目標優化調度方法
    8.5.1  改進型多目標水循環優化演算法
    8.5.2  基於IMOWCA的微電網調度多目標優化
  8.6  案例分析
    8.6.1  風電概率區間預測結果
    8.6.2  基於需求響應策略的負荷平移
    8.6.3  基於風電概率區間預測的微電網能源互補調度
  本章小結
第9章  結論與展望
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032