基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于LMD-IMVO-LSSVM的短期风速预测

风速信号具有的随机性和波动性的特点给风速预测的准确性带来了巨大挑战。现有的风速预测方法较多,但大都难以满足风电场需求的预测效果。文章提出了一种基于LMD-IMVO-LSSVM的短期风速预测方法。首先采用局部均值分解(LMD)方法将原始风速序列分解为若干个平稳的风速子序列,结合改进多元宇宙优化算法(IMVO)寻优最小二乘支持向量机(LSSVM)的可调参数预测方法,建立了LMD-IMVO-LSSVM的风速预测组合模型;然后对分解得到的每个平稳子序列进行单独的预测,叠加各子序列预测结果,即得到最终的风速预测值。通过实验仿真分析得出,文章提出的组合预测模型可大大提高风速预测的准确性。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解（REMD）将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解（WPD）进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络（LSTM）预测模型,低频子序列建立差分自回归移动平均模型（ARIMA）预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。     

基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究

针对太阳辐照度时间序列的非线性特点,文章设计了一种新的基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型,并对该模型进行了验证。首先,利用集合经验模态分解(EEMD)算法对原始太阳辐照度时间序列进行分解,得到若干个频率不同的分量;然后,利用变分模态分解(VMD)算法进一步分解频率最高的分量,得到K个相对稳定的分量,其中,K由各分量与利用VMD算法分解得到的残差的相关系数确定;接着,建立基于高斯核和多项式核的混合核最小二乘支持向量机(LSSVM)预测模型,对所有分量进行预测,并利用蝗虫优化算法优化混合核函数的参数;最后,将所有分量的预测结果相加得到原始太阳辐照度时间序列的预测结果。模拟结果表明,与BP神经网络模型、ARIMA模型、LSSVM模型和基于EEMD,LSSVM的预测模型相比,基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型的预测精度更高,能有效反映太阳辐照度的变化规律。     

基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测

由于太阳辐射的随机性很大,同时考虑到传统方法建立的单一最小二乘支持向量机(least square supportvector machine,LSSVM)模型精度不高,该文提出一种基于经验模态分解(empirical mode decomposition,EMD)局部均值分解(local mean decomposttion,LMD)和与机器学习方法 LSSVM联合的逐时太阳辐照度预测模型。先利用信号处理算法EMD及LMD将时间顺序数据分解成一系列相对平稳的分量序列,再对各子序列分别建立LSSVM预测模型,最后将各子序列预测结果进行叠加得到最终预测值。仿真结果表明,该模型取得比单一模型更好的预测效果,均方根误差精度可提高24.59%。     

基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

基于EEMD-WOA-LSSVM的超短期风电功率预测

针对风电场输出功率不稳定特性造成风功率预测精度不高问题。采用集合经验模态分解(EEMD)将风功率信号分解为若干个平稳的子序列,可避免经验模态分解(EMD)出现错误的本征模态函数(IMF)分量;利用相空间重构对分解获得的平稳子序列进行重构;提出一种鲸鱼算法(WOA),优化风功率平稳子序列重构参数和最小二乘支持向量机(LSSVM)参数;从而建立EEMD-WOA-LSSVM风功率预测模型。以某风电场为例,采用所建立预测模型对风功率进行仿真分析,实验结果表明EEMDWOA-LSSVM预测模型的风电功率预测精度更高。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。     

考虑风速分布与日非平稳性的风速 数据预处理方法研究

风电场采集的风速数据受到较多气象条件的影响,容易引入多种噪声信息,具有较强的不稳定性。因此,在进行风速预测前引入数据预处理的步骤是十分必要的。研究了一种考虑风速数据分布特性与日非平稳性的数据预处理方法,采用Box-Cox变换与分时标准化处理风速数据,基于最小二乘支持向量机(LSSVM)进行短期风速预测,实例证明,该方法能够有效提高LSSVM模型的预测精度。     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。     

基于多气象要素降维及改进型变分模态分解算法的光伏发电功率预测模型研究北大核心CSCD

为了精准预测光伏发电输出功率,文章提出了一种基于多气象要素降维、优化后的变分模态分解(OVMD)技术、自适应t分布的麻雀搜索算法(t SSA)和最小二乘法向量机(LSSVM)的光伏发电输出功率预测模型。利用OVMD技术对输入光伏时间序列数据进行分解处理,引入t SSA对利用各模态分量建立的LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏功率预测模型,并使用了中国东南沿海某地区3 a的气象数据和实时的光伏输出功率数据进行模型性能验证,通过与SVM,LSSVM,VMD-LSSVM和VMDSSA-LSSVM 4种模型的预测性能对比,OVMD-t SSA-LSSVM模型的预测精度和拟合效果均最优。实验数据表明,该模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别小于3%和0.35,决定系数(R-Square)超过了97%。最后,通过光伏气象要素降维处理,进一步提升了OVMD-t SSA-LSSVM模型性能。     

基于EEMD-ACS-SELM的弃风电量组合预测模型

风电已在电力系统中得到了有效利用,因此,弃风电量的准确预测对于电网的安全、经济运行至关重要。文章提出了一种基于集合经验模态分解(EEMD)和t分布自适应变异布谷鸟算法(ACS)优化改进极限学习机(SELM)的弃风电量组合预测方法(EEMD-ACS-SELM)。该方法先采用集合经验模态分解,将原始弃风电量序列分解为一系列不同频率的分量,基于模糊熵理论计算各分量的熵值,并将熵值相似序列重构为新的子序列。然后,将新序列分别建立改进极限学习机预测模型,利用ACS优化算法对SELM算法的输入权值和阈值进行优化。最后,将各序列预测值叠加求和得到原始弃风电量序列的预测值。以新疆某风电场实际运行数据进行算例分析,结果表明,文章所提方法对弃风电量的预测具有较高的精度。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于BVMD-Attention-GRU的中长期干旱预测

干旱是一种由长期缺水导致的现象,及早发现干旱现象并预测其程度,对于科学防旱抗旱至关重要。为此,提出一种基于变分模态分解算法(VMD)和融合注意力机制(Attention)的门控循环单元(GRU)的干旱指数预测方法。首先使用蝴蝶优化算法(BOA)对VMD进行参数寻优,将标准化降水蒸散发指数(SPEI)数据分解为一组波动性较小的子序列;然后将注意力机制引入GRU模型,对各子序列进行预测;最后将各子序列预测结果加和得到SPEI预测值。使用BVMD-Attention-GRU模型对乌鲁木齐市SPEI进行预见期为6个月的中长期预测,并构建GRU、VMD-GRU、BVMD-GRU模型进行对比试验。试验结果表明,BVMD-Attention-GRU模型具有更高的预测精度,适用于中长期干旱预测。     

基于VMD-PE和优化相关向量机的短期风电功率预测

针对风电功率序列非线性、非平稳性等特点,提出一种基于变分模态分解(VMD)-排列熵(PE)和混沌布谷鸟搜索算法(CCS)优化相关向量机的短期风电功率预测新方法。为降低风电功率序列非平稳性和减小计算规模,首先采用变分模态分解技术(VMD),将原始风电功率序列分解成一系列不同的子模态,利用排列熵(PE)分析其复杂度并重组得到子序列;然后采用CCS优化后的相关向量机(CCS-RVM)对各子序列进行提前24 h预测;最后将预测结果叠加得到最终预测值,并利用某风电场实际采集数据进行仿真验证。结果表明,所提预测模型能有效提高风电功率预测的准确性。