基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

超短期风电功率爬坡事件对风电功率实时预测误差的影响研究

阐述了超短期风电功率爬坡事件的研究背景及定义,建立超短期风电功率爬坡事件的检测和统计方法,利用持续法、支持向量机(SVM)和组合预测法3种风电功率实时预测方法,分析发生超短期风电功率爬坡事件时风电功率预测误差指标的变化,定量给出超短期风电功率爬坡事件对风电功率预测误差的影响。实例表明,风电功率爬坡事件具有小概率高风险特性,风电功率预测精度随着超短期风电功率爬坡事件频率的增大而降低。     

基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测

风电功率预测对大规模风电并网运行有重要意义。建立基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测,通过对训练样本的学习,利用BP神经网络法进行风电功率初步预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链通过滚动预测对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某风电场的风电功率预测中,结果表明了此模型的可行性,并为风电功率预测提供了新的途径。     

基于风电机组状态的超短期海上风电功率预测

提出一种基于风电机组状态的超短期海上风电功率预测模型。首先,综合考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型,以长短期记忆神经网络的预测误差作为监测指标的动态劣化度;然后采用模糊综合评价法对风电机组的运行状态进行评估,依据评估结果对风电机组历史运行数据进行划分;最后根据分类后历史运行数据建立基于机组状态的超短期风电功率预测模型。结合国内某海上风电场实例数据进行分析,算例结果表明所提方法可有效提高风电功率预测精度。     

基于小波分析和PSO优化神经网络的短期风电功率预测

针对风电场风速和风电功率序列起伏波动大、无明显变化规律等特点以及传统神经网络收敛速度慢、易陷入局部极小值等缺陷,提出了基于小波分析和改进粒子群算法优化神经网络的短期风电功率预测方法。首先,通过小波方法将用于神经网络训练的历史风速和风电功率序列进行分解,再针对风速和风电功率的各个分量分别建立相应的神经网络模型,采用分期变异粒子群算法对各个分量的神经网络学习算法进行优化,最后将各个分量的预测值进行小波重构得到风电功率预测结果。江苏如东某风电场风电机组的实验结果证明预测精度较传统神经网络方法有较大提高,验证了所提出方法的有效性。     

基于改进诱导有序加权算子的风电功率预测

针对风电功率超短期预测精度不高的问题,提出了一种结合Theil不等系数与改进诱导有序加权算子的组合预测方法。由于预测时刻的实际风电功率值未知,因此无法直接利用该方法进行预测。文章利用各单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值,对诱导有序加权算子进行了改进,解决了预测时刻诱导值未知的问题。采用误差信息矩阵对单项模型进行冗余度分析,得到优选单项模型,然后建立基于Theil不等系数和3种改进诱导有序加权算子的组合预测模型。通过分析和实例验证表明,结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效地提高风电功率预测精度。     

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。     

面向风电制氢的超短期组合功率预测

为解决因风电随机性带来的“弃风”问题,实现宽功率波动下的高效制氢,提出基于最小二乘支持向量机（LSSVM）的超短期组合预测模型,提高风电功率预测鲁棒性。通过变分模态分解（VMD）预处理将风电功率分解为不同带宽的子模态,以降低随机噪声及模态混叠的影响;引入蜻蜓算法（DA）优化LSSVM,建立超短期组合预测模型,以满足电解槽控制的时间分辨率及精度要求。以河北省某风电制氢示范项目为例,验证该算法对于高波动性数据具备更高的预测精度,为风电制氢系统的优化控制提供依据。     

基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测

风电功率的准确预测对电网的安全运行和经济调度起着重要作用,为进一步提高风电功率的预测精度,文章提出了一种基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测模型。首先,利用完全集成经验模态分解(CEEMD)对风电功率时间序列进行模态分解;其次,对分解的各个风电功率时间序列利用卷积神经网络(CNN)进行特征提取;再次,建立双向门控循环单元(Bi GRU)模型对各个风电功率时间序列进行预测,叠加各个分量的预测值;最后,对误差进行进一步分析与预测,利用随机森林(RF)进行误差修正,得到最终的风电功率预测值。实验仿真表明,该模型的预测效果明显优于传统模型,模型的平均绝对百分比误差(MAPE)仅为2.09%。