1. 研究目的与意义（文献综述包含参考文献）
1.课题背景与意义中国是全球风力发电规模最大、发展最快的市场，预计2020年至2024年新增装机容量50.8GW，年复合增长率超19%。
截至目前，我国风电并网装机容量达到30015万千瓦，突破3亿千瓦大关，较2016年底实现翻番，是2020年底欧盟风电总装机的1.4倍，是美国的2.6倍，已连续12年稳居全球第一[1]。
不同于传统的化石能源，风力发电受随机天气条件的影响更为突出，风速、风向的变化波动导致风力发电量具有较高的随机性、间歇性与波动性[2]。
2. 研究的基本内容、问题解决措施及方案
一．研究或解决的问题本课题将在风电功率超短期预测方面，通过变分模态分解和BP神经网络提高超前预测风电场输出功率预测精度的问题。
问题一、原始风电功率数据如何获取；问题二、对原始风电功率数据的预处理如何进行；问题三、掌握对风电功率序列进行分解的方法；问题四、如何训练得到模型精度较高的BP神经网络预测模型；问题五、了解本课题提出的风电功率组合预测模型对比单一预测模型在预测精度上有什么优势。
二．研究手段对于问题一：风电功率超短期预测的训练数据拟采用比利时输电运营商Elia集团给出的风电功率数据；对于问题二：采用直接置零的方式对负值进行处理，以及利用前后两个时刻的风电功率值对超满发值和乱码进行修正，对空缺值进行填充；对于问题三：考虑原始功率序列噪声对预测结果的影响，利用变分模态分解方法对预处理后的风电功率序列进行分解；对于问题四：将经过变分模态分解后得到的IMF子序列及误差输入至BP神经网络中，学习神经网络的训练方法，对神经网络模型进行训练，经过反复的调试参数并将预测精度进行横向对比，从中选出模型精度较高的BP神经网络预测模型，从而确定神经网络的最优参数；对于问题五：利用训练数据得到的BP神经网络预测模型对测试数据进行预测，基于实际值与预测之间的误差分析，建立平均绝对误差（MAE)、均方根误差(RMSE)、模型预测结果的MAE提升度和RMSE提升度的评估指标，分析本课题提出的风电功率组合预测模型对比持续法和单一BP神经网络预测模型在这些指标上的优化。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
