基于自适应PSO-SVR的风速风功率预测

提出了一种基于自适应粒子群支持向量机的风电场风速风功率预测方法。该方法通过自适应粒子群算法优化参数的支持向量机的风速风功率预测。PSO算法作为一种新型的基于群体智能的随机优化算法,简单且易于实现,通过对粒子群算法惯性权重的改进及种群的变异操作,使得算法具有更强的参数优化能力。仿真算例和预测结果表明,该方法具有较高的预测精度。     

基于信号分解和核极限学习机的风电功率预测

针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型.首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果.以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度.     

用于短期风速预测的优化核心向量回归模型

风能的不确定性和难以准确预测给风电并入电网带来了困难。风速是影响风能的重要因素,风速的预测精度对风电功率预测的准确性有重要影响。提出一种优化的核心向量回归（CVR）模型,进行短期风速预测。其风速数据从某风电场每隔1 h采集1次,并采用粒子群优化（PSO）算法对CVR模型的参数进行优化,利用优化后的CVR模型进行风速预测。试验结果表明,在时空复杂度相当的情况下,该方法具有比CVR和SVR（support vector regression ）更高的预测精度。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS-SVM）的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine, WLS- SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率...     

大型风电场内机组的有功功率优化方法研究

为充分利用风能、提高风能利用率,改善风电场的功率输出特性,基于风速和功率的超短期提前一步预测,建立多目标的风力发电机组功率优化模型,对风电场输出的有功功率优化,并采用粒子群优化算法对优化模型进行求解和仿真分析,仿真结果表明:该优化方法使风电场整体输出功率得以提高,同时也减小了风电场的运行成本。     

基于改进灰狼算法优化WLSSVM的短期风功率预测

为提高风功率短期预测的准确率,提出一种基于改进灰狼算法优化加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLSSVM）的短期风功率预测方法。采用C-C法对风功率时间序列的嵌入维数进行了计算,根据计算结果确定短期风速预测输入量与输出量的关系。利用Tent映射和参数非线性调整策略对灰狼算法进行改进,得到了优化性能更强的改进灰狼优化（Improved Grey Wolf Optimization,IGWO）算法,并利用测试函数验证了IGWO算法能够加快迭代收敛,提高计算精度。采用IGWO算法对WLSSVM的惩罚系数和核参数进行优化,建立基于IGWO-WLSSVM的短期风功率预测模型。采用某风电场春夏两个不同季节的风功率数据进行算例分析,结果表明,所提短期风功率预测结果的平均相对误差、均方根误差和最大相对误差更小,风功率预测精度和预测结果的稳定性均优于其他方法,验证了所提方法的有效性和实用性。     

基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

基于改进PSO的SVM参数优化及其在风速预测中的应用

针对风电场短期风速预测的准确性问题,提出一种基于改进粒子群优化（PSO）算法的支持向量机（SVM）风速预测方法.通过对基本粒子群算法中的学习因子进行改进,来改善粒子群算法的自我学习能力和社会学习能力,从而使其更有利于收敛到全局最优解,进而能够找到更准确的参数值,使支持向量机的预测误差达到最小,提高风速的预测精度.实验结果表明,与PSO-SVM预测法和SVM预测法相比较,改进PSO-SVM法预测结果更准确.     

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

基于HS-Clustering的风电场机组分组功率预测

为了寻求风电场功率预测精度和计算效率二者的平衡,提出了一种基于霍普金斯统计量与聚类算法(HSClustering)的风电场机组分组功率预测方法,该方法将霍普金斯统计量与聚类算法的优势有效结合,采用霍普金斯统计量确定场内机组分组个数,通过聚类算法识别不同机组的相似性将风电场分成不同的机组群,然后对每组机群分别建立功率预测模型,从而叠加得到整场输出功率;另外以实测风速、实测功率及二者组合作为机组分组模型输入,分析其对预测精度的影响程度。实例分析表明基于HSClustering的分组预测方法可以显著提高预测精度,同时保证较高的计算效率;风速是影响分组效果的主要因素,对于某些分组模型,功率又可以作为风速的重要补充。     

基于人工神经网络的海上风场双馈风机功率分配优化策略

针对海上风电场双馈发电机的功率调节方式和可调范围,以风电场线路损耗最小为优化目标,通过改进粒子群算法获得功率分配优化数据,并以此优化数据作为人工神经网络聚合模型的学习数据。以风电场出口电网侧有功、无功需求和各风机的风速作为人工神经网络的输入,将各双馈发电机直接功率控制的有功和无功参考值作为输出,搭建了某海上风电场34台3 MW双馈发电机构成的四层36-102-102-68节点人工神经网络聚合模型。仿真结果表明:所提出的人工神经网络聚合模型可用于模拟风电场双馈发电机最优功率分配,具有较高的拟合精度;同时通过比较不同算法,得出改进粒子群算法对减小线路损耗具有显著效果。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

风电场尾流分布计算及场内优化控制方法

对于已建风电场,减少尾流效应,提高风电场整体输出功率,是风电场优化控制的目标之一。文中分析了风电机组状态参数变化与输出功率、尾流分布间的耦合关系,建立了尾流与风轮交汇面积的计算方法,以及多台风电机组尾流的叠加模型。针对不同来流风向及来流风速下风电场尾流分布的不同,提出了一种风电场尾流分布计算方法,用于计算每台风电机组位置处的风速;基于该尾流分布计算方法,以风电场整体输出功率最大为目标函数,轴向诱导因子为优化参数,粒子群算法为优化算法,建立风电场优化控制模型。以丹麦Horns Rev风电场为研究对象,进行计算分析,结果表明:风电场尾流分布计算方法能够准确计算风电场尾流分布,风电场优化控制方法能够提高风电场整体输出功率。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

基于聚类分析和混合自适应进化算法的短期风电功率预测

针对传统风电功率预测方法难以满足精细化、动态化建模要求,存在易陷入局部最优等问题,提出了基于聚类分析和混合自适应进化算法(KHEA)的风电功率智能预测方法。首先,采用K均值聚类算法对全年风速和功率数据进行聚类,剔除不合理的数据。然后,采用小波变换(WT)识别功率数据的行为特征,获得解构序列集,进而建立BP神经网络模型对未来时间段的功率解构序列进行预测。为减少预测误差,采用进化粒子群算法(EPSO)对模型的权值和阈值进行调整和优化,实现EPSO进化特性与神经网络自学习能力的功能互补。最后,运用逆小波变换对预测序列进行重构,获得最终的功率预测值。运用中国南方某风电场数据开展仿真实验,并与其他模型进行对比,表明KHEA具有更高的风电功率短期预测精度和可靠性,为提高风电功率预测精度和优化调度管理提供了新的技术方案。     

应用粒子群优化算法的短期风电功率预测

根据数值气象预报的风速和风向数据,采用粒子群优化的前向神经网络模型进行短期风电功率预测。分析了数据相关性对预测结果的影响,比较了粒子群优化前后的前向神经网络模型的性能。研究结果表明,经过粒子群优化后的前向神经网络模型比没有优化的前向神经网络有更好的性能,且根据数据相关性较好的测试样本可得到较好的预测结果。风速风向数值预报与输出功率的相关系数越高,基于粒子群优化前向神经网络模型的预测精度越高于没有优化的前向神经网络模型。     

基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测

短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机（LSSVM）作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法（BHPSO）对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。