基于神经网络平均影响值的超短期风电功率预测

针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。     

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。     

基于小波-神经网络的风电功率短期预测

根据风速、风电功率变化特点,有效地预测风电功率,可降低电网调度的难度,利用小波多分辨分析法将风速序列信号分解到不同尺度上以反映不同变化频率的风速信号,分解后的风速信号经多层前向神经网络BP（Back Propagation）预测出其对应的风电功率,通过将基于小波-神经网络模型的预测结果与基于BP神经网络模型的预测结果进行比较研究,发现基于小波-神经网络的预测精度更高,效果更好,且预测精度与预测时间长短有关。     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...     

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%。     

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 1 h 和 24 h 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。     

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。     

基于改进的小波-BP神经网络的风速和风电功率预测

为了提高超短期风电功率预测精度,使用改进的小波-BP神经网络方法进行研究。针对预测模型普遍存在的延时问题,先通过离散小波变换将信号分解为高低频段的信号,再用遗传算法优化的BP神经网络分别进行建模,最后求和各层预测信号。由于功率和风速具有混沌特性,用C-C法联合优化重构相空间的参数,以嵌入维数为神经网络输入层节点数。应用于山东某风电场,仿真结果表明,与BP神经网络模型相比,该算法预测风速和功率精度较高,但风速预测值经过实际功率曲线转换后,功率预测精度变差。     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

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CNN和LightGBM的新型风电功率预测模型

考虑到风力发电具有波动和不确定的特点,难以预测,文章提出了基于卷积神经网络和LightGBM算法相结合的新型风电功率预测模型.通过分析风电场与相邻风电场原始数据的时序特征,构建出新的特征集;应用卷积神经网络(CNN)从输入数据中提取信息,基于数据间的对比结果调整相应参数;为了提高预测结果的准确性和鲁棒性,将LightGBM分类算法加入模型中.对比所提模型与支持向量机以及单一的LightGBM和CNN模型仿真结果,证明所提模型具有更好的精度和相率.     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

新投产风电场的短期风速预测模型建立

常规的风电场功率预测建模主要方法是将数值天气预报产生的气象要素输入基于历史scada数据建立统计模型,得到全场预报总功率。但是新投产的风电场没有历史scada数据,而风电场功率预测的准确性主要依赖于短期风速预报的精度。因此,为提高新投产风电场功率预测的准确性,短期风速预报的建立是基于数值气象预报的物理模型和统计模型相结合的方式。首先,通过数值气象模式输出风电场测风塔处轮毂高度层的气象要素;其次,通过建立神经网络模型和多元线性回归两种统计方法对模式输出数据进行修正;最后,对误差的来源进行分类分析。在江苏某风场的测试结果表明,较传统的方式,预测精度有了明显的提高,该方法能够消除数值气象预报的振幅偏差,但相位偏差仍是误差的主要来源。