基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。     

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测，可以有效地减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法，该文对风速预测进行了研究，提出了预测风速的时序神经网络法。该方法用时间序列法建模，得到风速特性的基本参数，并用这些参数选择神经网络的输入变量；为了提高预测精度，提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。     

基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法

针对风电场风速时序的不可控特性以及短期风速预测精度低的问题,提出基于改进快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和Elman-Adaboost的组合预测模型。首先,采用加余弦函数改进FEEMD方法将风速数据分解为相对平稳的本征模态函数分量;然后,运用样本熵(sampleentropy,SE)计算分量复杂度并按复杂度对分量进行重构;最后,基于Elman-Adaboost方法的单步直接预测方法来预测重构后分量下一天24 h的风速值,将所有分量的预测叠加得到最终的预测结果。选择预测点时间前24、48和72 h风速数据作为神经网络的输入维数,比较不同维数对预测精度的影响。实验证明,改进FEEMD-SE-Elman-Adaboost组合预测模型可以有效地提高风电场短期预测的精度。     

基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。     

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响.考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测.首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量.以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和...     

基于EMD和RBFNN的短期风速预测

针对风速非平稳、非线性的特点,为提高短期风速预测准确性与快速性,建立了EMD-RBFNN预测模型。利用经验模态分解(EMD)将风速时间序列分解为具有相同特征尺度的相对平稳的本征模态(IMF)分量,以实现风速时间序列信号平稳化;针对各个模态分量的特性,采用径向基函数神经网络模型(RBFNN)对各个模态分量分别进行预测,选用正交最小二乘法来最大限度减少错误率,最后将各IMF-RBFNN预测结果进行重构得到最终预测值;设计并实现了基于GUI交互式界面的多功能短期风速预测系统。实验结果表明,EMD-RBFNN预测模型有效提高了短期风速预测精度,具有一定的实用价值。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

小时风速的向量自回归模型及应用

短期风速预测对并网风力发电系统的运行有重要意义。该文简述了短期风速预测的价值和方法,分析了小时风速的日变化特点。在此基础上,提出将单变量小时风速时间序列向量化,以消除日周期非平稳,进而建立了向量自回归(vector autoregression, VAR)模型,并用于小时风速预测。算例表明,正常天气条件下,该模型可以预测提前72 h的短期风速。该文提出的方法和模型具有一定的普适性,可用于其它领域的时间序列建模与预测。     

风电场短期风速的混沌预测方法

高精度的短期风速预测对提高含大量风电机组电网的安全稳定性及降低运行成本具有重要意义。文中在对风速时间序列进行相空间重构的基础上,使用混沌加权零阶局域预测法对风速进行预测;进而针对该方法在高嵌入维数下以欧氏距离寻找临近相点进行预测不准确的不足,提出了一种改进加权零阶局域预测法。该方法用相点间关联度来确定临近相点,并且提出了一种新的加权系数计算方法,以提高预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于气象测量场的爬坡时段区域风功率预测

随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

风电场风速短期多步预测改进算法

对风电场风速实现较准确的预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。文章运用时间序列法对我国某风电场测风站实测风速建立时序ARIMA(11,1,0)模型,并进行风速预测。针对模型在超前1步预测时出现的延时问题,引入卡尔曼预测法加以改进,提出卡尔曼时间序列法。针对时序模型超前多步预测精度低的问题,提出滚动式时间序列法。对提出的两种改进方法进行实例验证,结果表明：①卡尔曼时间序列法不仅改善了预测延时问题,而且把超前1步预测的平均绝对相对误差从6.49％降低为3.19％;②滚动式时间序列法改善了多步预测的精度问题,模型超前3、5、10步预测的平均绝对相对误差分别仅为7.01％,7.63％,8.42％。两种改进方法都没有明显增加时间序列法的建模计算量。     

基于小波-神经网络的风速及风力发电量预测

风能作为可再生清洁能源已得到世界各国的广泛应用。由于风速的不确定性,给保障风力可靠性发电带来了一定的困难。提出了一种较为准确的小波–神经网络法预测风速。该方法利用小波函数将原始波形进行不同尺度的分解,将分解得到的周期分量用时间序列进行预测,其余部分采用神经网络进行预测,最后将信号序列进行重构得到完整的风速预测结果。在神经–网络学习过程中加入了微分进化算法,提高了其收敛速度,解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于风速预测和随机规划的含风电场电力系统动态经济调度

随着风力发电在电力系统中比重的持续增加,在电力系统经济调度中需要考虑风电场的影响;而并网风电场具有动态、随机、容量大等特点,传统的经济调度方法已不再适用。针对风电场出力的随机性,在风速预测的基础上,应用随机规划理论建立了考虑机组组合的含风电场电力系统动元网络和遗传算法的混合智能算法,提高了算法的收敛速度和搜索性能。以含风电场的IEEE30节点系统为算例验证了所提方法的可行性和有效性。