基于关联规则的PSO-Elman短期风速预测

传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机(Least square Support Vectormachine.LSSVM)相结合的电力系统短期负荷预测方法.考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度.利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度.     

基于LS-SVM和核密度估计的概率性风电功率预测

近年来风电在我国发展迅猛,但风速的不稳定性和间歇性,使风电功率也具有同样的性质,这样的电功率注入会带来电力系统运行的不稳定,因此,风电功率的预测对风电并网及使用具有重要意义。鉴于此,开展风电功率的短期预测研究,利用LS-SVM对风电功率进行建模并实现确定性的短期预测,在此基础上使用非参数统计法对确定性预测模型的预测误差进行拟合获得其密度函数,计算各功率段的置信区间以得到概率性预测结果,从而提高风电功率预测结果的实用性和可靠性。与常用的自回归滑动平均模型和BP神经网络模型进行对比实验,证明本方法的性能及优势。     

一种基于时间序列模型的风速预测方法

根据风速数据特点,提出一种基于时间序列的风速预测模型,对模型中的相关参数进行确定。实验结果表明,对风速进行提前1小时预测时,预测风速与实际风速较吻合,误差仅为10%,从而为大气污染物浓度确定提供有效依据。     

基于聚类的超闭球算法短期风速预测研究

具有较高精度的超短期风速预测有着重要的作用,它对建立和保障并网运行风电场风电功率预测预报系统有着举足轻重的作用.但是,由于风速的影响因素较多,且存在着巨大的波动性、随机性,以及较高的自相关性.这些因素,极大地影响了传统的风速预测方法.因此,探究一种短期风速预测方法是十分必要的,此方法以聚类的小脑超闭球算法为基础,此超闭球方法,对减少数据输入的地址碰撞有着很好的作用,提高了学习速度,另通过模糊聚类对输入数据确定节点数和节点值,提高了学习精度.仿真结果证明基于聚类的小脑超闭球网络相比应用较为成熟的BP神经网络等能很好地预测未来1h风速.     

Variable weights combined model based on multi-objective optimization for short-term wind speed forecasting

Accurate and steady wind speed prediction is essential for the efficient management of wind power factories and energy systems. However, it is difficult to obtain satisfactory forecasting performance because of the characteristics of random nonlinear fluctuations inherent in wind speed variation. Considering the drawbacks of statistical models in forecasting nonlinear time series and the problem of artificial intelligence models easily falling into a local optimum, in this study, we successfully integrate the variable weighted combination theory into a new combined forecasting model that simultaneously consists of three disparate hybrid models based on the decomposition technology. Moreover, the extreme learning machine optimized by the multi-objective grasshopper optimization algorithm is adopted to integrate all the forecasting results derived from each hybrid model to further enhance the forecasting accuracy. In this study, we consider a case study that employs several authentic wind speed data aggregates of Shandong wind farms for an evaluation of the forecasting performance of the proposed combined model. The experimental results reveal that this proposed model surpasses the contrasted benchmark models and is satisfactory for intellective grid programs.     

短期风速多步预测的研究

为了提高风电场短期风速预测的精确度以及预测尺度,提出了一种将小波分解法、经验模式分解法及最小二乘支持向量机相结合对风速时间序列进行短期多步预测建模的方法。该方法采用小波分解法对风速信号进行分解,使之分解成不同频带的高频和低频分量;再利用最小二乘支持向量机对各分量建立预测模型,将各预测模型的预测值叠加可得到模型的预测结果。该模型称为预测模型Ⅰ。其次,将预测模型I的预测结果设为训练样本,采用经验模式分解法把训练样本集分解成若干本征模式分量和趋势项;再利用最小二乘支持向量机对各本征模式分量和趋势项建立预测模型,同时扩大模型的预测尺度;将各预测模型的预测值叠加可得该模型的预测结果。该模型称为预测模型Ⅱ。最后,将预测模型Ⅱ、Ⅰ的预测值叠加得到最终预测结果。实验结果表明,采用该方法预测的风电场短期风速的RMSE值为0.153,验证了该方法的有效性。     

基于CNN-LSTM的多因素时空风速预测

准确的风速预测在风能转换和电力分配中起着至关重要的作用.但是,风的固有间歇性使其难以实现高精度的预测.现有研究方法大都考虑了风速的时间相关性,但忽略了气象因素随空间变化对风速的影响.为获得准确可靠的预测结果,结合卷积神经网络和长短期记忆网络,提出了一种多因素时空风速预测相关(MFSTC)模型.同时,还构建了一种基于三维矩阵的数据表示方法.针对多个站点,利用改进的PCA-LASSO算法提取特征气象要素,然后,采用卷积神经网络建立各个站点之间的空间特征关系,采用长短期记忆网络建立历史时间点之间的时间特征关系,在时空相关性分析的基础上得到最终风速预测结果.在东营气象中心提供的2009–2018共10年的实测风速数据集上进行了实验验证.结果表明,相比于一般预测方法,由MFSTC模型获得的实验结果更加准确,证明了提出方法的有效性.     

基于局部高斯过程的短期风速预测

准确的风速预测对于风电场和电力系统的稳定运行具有重要意义。本文提出一种基于局部高斯过程的短期风速预测方法。首先,把总的训练样本集按固定长度的时间窗划分成许多个子训练集。然后,运用局部高斯过程模型对各个子训练集进行建模,通过最小化训练集的预测误差为优化目标,用改进粒子群算法求取模型的最优超参数。最后,对某实测风速数据进行风速预测分析,结果表明基于局部高斯过程的短期风速预测能有效提高风速预测精度。     

Wind modelling,validation and sensitivity study using Weather Research and Forecasting model in complex terrain

A physically-based wind model is applied to determine wind speed and direction and to conduct a model sensitivity analysis. The focus is the East African site of the Lake Turkana Wind Farm, characterized by complex terrain and high diurnal variability that creates a nocturnal jet of typically 15 m/s. Observations from three tall meteorological masts are compared with Weather Research and Forecast (WRF) model outputs. WRF is configured with four domains nested down to 900 m spatial resolution. The model is tested with initialization fields from two different sources, optimised using different grid configurations and parameterization schemes. Comparing model and data from 3 tall masts A, B and C yields that the primary source of error in WRF model simulation in a complex terrain is due to incorrect specification of boundary fields used to initialize the model. RMSEs achieved in this research are ≤2 m/s representing good model performance (Emery et al., 2001).     

Dynamic ensemble wind speed prediction model based on hybrid deep reinforcement learning

Prediction of wind speed can provide a reference for the reliable utilization of wind energy. This study focuses on 1-hour, 1-step ahead deterministic wind speed prediction with only wind speed as input. To consider the time-varying characteristics of wind speed series, a dynamic ensemble wind speed prediction model based on deep reinforcement learning is proposed. It includes ensemble learning, multi-objective optimization, and deep reinforcement learning to ensure effectiveness. In part A, deep echo state network enhanced by real-time wavelet packet decomposition is used to construct base models with different vanishing moments. The variety of vanishing moments naturally guarantees the diversity of base models. In part B, multi-objective optimization is adopted to determine the combination weights of base models. The bias and variance of ensemble model are synchronously minimized to improve generalization ability. In part C, the non-dominated solutions of combination weights are embedded into a deep reinforcement learning environment to achieve dynamic selection. By reasonably designing the reinforcement learning environment, it can dynamically select non-dominated solution in each prediction according to the time-varying characteristics of wind speed. Four actual wind speed series are used to validate the proposed dynamic ensemble model. The results show that: (a) The proposed dynamic ensemble model is competitive for wind speed prediction. It significantly outperforms five classic intelligent prediction models and six ensemble methods; (b) Every part of the proposed model is indispensable to improve the prediction accuracy.     

CEEMD-WT和CNN在短期风速预测中的应用研究

由于风速存在随机性和不稳定性,为了提高短期风速预测的精度,提出了一种基于完备总体经验模态分解（CEEMD）、小波变换（WT）和卷积神经网络（CNN）的短期风速预测混合模型。首先,CEEMD算法把原始风速序列分解成一些相对平稳的固有模态函数和一个残差序列;然后,WT算法对每个固有模态函数进行二次去噪,进一步消除噪声对固有模态函数的影响;最后,卷积神经网络对每个固有模态函数、残差序列和影响风速的5个属性训练预测得到各自的预测结果,对所有的预测结果重构得到最终的预测结果。通过实验与其他4个风速预测模型进行比较,所提出的模型预测的绝对平均百分比误差（MAPE）最小,为2.484%,表明在短期风速预测方面CEEMD-WT-CNN模型有较好的性能。     

杯式风速传感器计量的线性研究

线性是表征杯式风速传感器角速度与风速正比关系的重要计量性能指标。传感器动态运行时,它能直接反映风杯结构设计特征,并产生风速输出值的系统误差,其技术指标要求不超过±0.5 m/s。目前,风速计量用“示值误差”表示测量结果,不能直接反映传感器的线性特征。根据检定规程的测量方法,对风速传感器在风洞中开展全量程重复性测量并获取试验数据。采用最小二乘估计法对数据的线性度进行分析,提出以“非线性误差”作为研究线性计量特性的指标。相比较单校准点的“示值误差”作为计量结果,应用非线性误差的分析方法研究线性特征,对传感器的评价更加客观。风速线性计量技术研究可进一步推动风速自动观测数据的补偿及修正技术,可应用于气象观测、电力、民航、军队及煤矿等领域,以提高风速数据准确性。     

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。     

Short-Term Wind Speed Prediction Using Signal Preprocessing Technique and Evolutionary Support Vector Regression

Short-term wind speed prediction is beneficial to guarantee the safety of wind power utilization and reduce the cost of wind power generation. As a kind of the powerful artificial intelligent algorithms, support vector regression (SVR) has been successfully employed in solving forecasting problems. However, due to the intrinsic complexity and multi-patterns of wind speed fluctuations, it is regarded as one of the most challenging applications for wind speed prediction. To alleviate the influence of complexity and capture these different patterns, this study proposes a novel approach named SIE–WDA–GA–SVR for short-term wind speed prediction, which applies the seasonal information extraction (SIE) and wavelet decomposition algorithm (WDA) into hybrid model that integrates the genetic algorithm (GA) into SVR. First, the proposed approach uses SIE to decompose the original wind speed into seasonal and trend components, and the seasonal indices are calculated by SIE. Second, the proposed approach uses WDA to decompose the trend component into both the approximate and the detailed scales. Third, the proposed approach uses GA–SVR to forecast the approximated and detailed scales, respectively. Then, the prediction values of the trend component can be obtained by integrating the prediction values of the approximated scale into the prediction values of the detailed scale. By integrating the seasonal indices into the prediction values of trend component, we can obtain the final forecasting results of the original wind speed. Moreover, the partial autocorrelation function is used to determine the number of input dimension for the SVR, and the GA is used to select the parameters of the SVR. Four real wind speed datasets are used as test samples to verify the proposed approach. Experimental results indicate that the proposed approach outperforms other benchmark models in four statistical error measures, and can improve the forecasting accuracy of wind speed.     

风速传感器测量结果的不确定度分析与评定

研究以自动气象站风速传感器为实例,采用性能稳定、状态良好的被测风速传感器、计量标准器皮托静压管、主要配套设备风洞、数字微压计、自校式铂电阻数字测温仪、数字式标准干湿表数字气压表。以大量的重复性检定试验为数据基础,通过后期数据分析处理,评定其在风洞试验室检定影响检定结果的测量不确定度。针对风速传感器的测量不确定的评定方法,建立了测量不确定度所需的测量模型,定量分析在风速传感器检定过程中可能影响其结果的因素,从而确保风速传感器计量检定数据的准确性与可靠性,保证了检定结果的可信度,提高了综合气象观测的传输质量。这为研究风速传感器的测量不确定度打下了坚实基础,也为今后自动气象站的风洞检定工作提供借鉴和指导意义。     

基于稀疏表示方法的短期风电功率预测

针对短期风电功率预测,提出一种基于稀疏表示特征提取的建模方法.为了构建预测模型,将历史风电功率数据构成具有时延的输入-输出数据对,将时延输入数据向量作为初始字典,由K-均值奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为极限学习机(ELM)或支持向量机(SVM)的输入来构建全局回归模型.为了验证所提出的方法的有效性,将所提出的方法用于短期风电功率预测中,在同等条件下与单一SVM、ELM方法和非字典学习的其他稀疏表示建模方法进行了比较.实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提出的方法具有更好的预测效果,显示出其有效性.     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方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,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

基于聚类与机器学习的零售商品销量预测

本文提出一种基于K-means聚类与机器学习回归算法的预测模型以解决零售行业多个商品的销售预测问题,首先通过聚类分析识别出具有相似销售模式的商品从而实现数据集的划分,然后分别在每个子数据集上训练了支持向量回归、随机森林以及XGBoost模型,通过构建数据池的方式增加了用于训练模型的数据量以及预测变量的选择范围.在一家零售企业的真实销售数据集上对提出的模型进行了验证,实验结果表明基于K-means和支持向量回归的预测模型表现最优,且所提出的模型预测效果明显优于基准模型以及不使用聚类的机器学习模型.     

基于FOA优化混合核LSSVM的铁路货运量预测

单一核最小二乘支持向量机(LSSVM)在铁路货运量预测中难以准确描述货运量的复杂变化特征,限制了预测精度的提高。针对该问题,提出一种基于果蝇算法(FOA)优化混合核LSSVM的预测方法。以多项式核与径向基核组合的混合核函数作为LSSVM核函数,构建铁路货运量的混合核LSSVM预测模型,同时利用FOA全局寻优能力强、计算速度快等优点优化选择混合核LSSVM参数。以我国铁路货运量为例进行方法验证。结果表明,所提方法的RMSE、MAE、MAPE和THEIL值分别为8433.0、6670.8、0.0180和0.0117,均小于其他模型,FOA算法搜索混合核LSSVM参数的时间为40.2948秒,分别比GA和PSO算法减少了2.6208秒和20.7016秒,适合于铁路货运量的短期预测。