基于关联规则的PSO-Elman短期风速预测研究的开题报告.docx

基于关联规则的PSO-Elman短期风速预测研究的开题报告
开题报告
标题：基于关联规则的PSO-Elman短期风速预测研究
一、选题背景及研究意义
风能作为一种清洁、可再生的新能源，受到越来越多的关注和研究。然而，风速的变化不仅具有随机性和不确定性，而且还会受到多种因素的影响，如地理环境、气象条件、地形地貌等。因此，准确预测风速对于风电场的运营和管理至关重要。
目前，常用的风速预测方法主要包括统计模型、数据挖掘模型和物理模型等。其中，数据挖掘模型因其能够从历史数据中学习规律、自动优化模型参数等优点，在风速预测领域得到了广泛应用。而关联规则算法是数据挖掘中的一种有效手段，能够挖掘出数据之间的隐性关系，对于风速预测也具有一定的研究价值。
随着粒子群优化算法（PSO）在数据挖掘中的应用越来越广泛，在风速预测中也被应用到了很多研究中。Elman神经网络作为一种常用的神经网络模型，也成功应用于风速预测领域。因此，本文基于关联规则算法和PSO-Elman模型，旨在探讨一种新的风速预测方法，提高风电场的发电量和效益。
二、研究内容及方法
本文采用关联规则算法挖掘历史风速数据之间的关联关系，并结合PSO算法优化Elman神经网络的权重和偏置，建立了一种新的风速预测模型。具体研究内容如下：
1.收集并预处理风速数据，包括对异常数据的处理、数据的归一化等。
2.利用Apriori算法挖掘历史数据之间的关联规则，筛选出与风速变化有关的关联规则。
3.根据筛选出的关联规则，提取出对风速预测有关的特征向量。
4.结合PSO算法优化Elman神经网络的权重和偏置参数，建立风速预测模型。
5.利用实验数据对模型进行验证，并与其他常用预测模型进行比较。
三、预期成果及意义
1.探究关联规则算法和PSO-Elman模型在风速预测中的应用价值，为风电场的运营和管理提供参考。
2.建立一种新的风速预测模型，能够更加准确地预测短期风速变化。
3.实验数据分析和比较，验证模型的准确性和优越性，为风速预测领域的进一步研究提供数据和方法参考。
四、研究计划及进度安排
本文拟按照如下计划和进度进行研究：
1.前期调研和文献阅读（1个月）
2.风速数据的收集和预处理（1个月）
3.关联规则挖掘和特征向量的提取（2个月）
4.PSO-Elman模型的建立和优化（2个月）
5.实验数据分析和模型的验证（2个月）
6.论文撰写、修改和定稿（1个月）
预计完成时间：2021年6月。
五、参考文献
1.陈秀萍,贾世立,李露,梁贵军.基于改进PSO的Elman网络风功率预测[J].广东电力,2013,26(1):83-88.
2.李辉,赵全,张欣.基于关联规则挖掘的短期风速预测[J].电力系统保护与控制,2016,07:63-68.
3.王子涵,赵志,丁向东.基于多项式拟合的风速预测方法[J].安徽电气工程职业技术学院学报,2019,40(1):5-9.