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BP神经网络的风电功率预测研究*

为了更好地进行风机控制及系统调度,需准确预测风电功率。针对风力发电机工作过程中不能发出非常稳定的功率问题,研究了BP神经网络的原理和算法,提出了一种基于历史数据和NWP数据相结合的组合预测模型,在原始功率数据上添加风速、风向、温度历史数据,通过构建并训练BP神经网络,预测未来10min～4h风电功率。经验证,与只含历史功率数据的BP神经网络预测相比,含历史功率数据和NWP数据的BP神经网络预测精度更高、更有效。     

基于经验模态分解法优化支持向量机模型的日前风电功率组合预测

针对风电场日前风电出力预测问题,应用一种基于经验模态分解法优化支持向量机的算法的短期风电功率组合预测方法。首先采用经验模态分解法将历史风电功率数据分解为一系列相对平稳的分量序列,以减少不同特征信息间的相互影响,然后采用优化的支持向量机法对所分解的各分量序列分别建立预测模型,针对各分量自身特点选用不同的核函数和参数以取得单个分量的最佳预测精度,最后把各个分量的预测结果叠加,形成风电功率的最终预测值。算例表明,与其他单一预测方法相比,本文使用的组合算法预测精度更高。     

基于虚拟预测与小波包变换的风电功率组合预测

为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。     

基于多时段综合相似日的光伏发电功率预测

由于历史数据和天气因素对光伏出力预测的影响较大,提出了一种日特征相似度与形状相似度相结合的方法,分时段地预测光伏发电功率。该方法首先采用欧式距离法对气象类型进行细分,然后在不同时间段中分别利用两种相似日选取算法选取历史相似日,再利用其对应时段的历史功率值及气象数据,采用BP神经网络对预测日相应时段的功率进行预测,结果表明该方法的预测精度有明显提高。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

小波神经网络嵌入专家系统的短期电力负荷预测

小波神经网络是一种新兴的电力负荷预测方法。研究了小波分析与BP神经网络相结合的小波神经网络,利用小波变换对负荷样本做序列分解,得到不同尺度下的小波系数,然后对小波系数进行阈值选择,由BP神经网络对作用阈值后的小波系数进行预测。同时总结历史负荷数据长期的发展变化规律,汲取专业人员的经验知识,形成一系列的相关规则,模拟人类专家的推理和判断过程,从而形成专家系统。最后使用专家系统对小波神经网络预测数据进行修正,得到预测结果。通过陕西汉中电网负荷数据,很好地实现了在小波神经网络中嵌入专家系统的方法,同时提高了预测精度。     

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à Trous小波变换与多核SVM的电力短期负荷预测方法

提出了一种基于à Trous小波变换与多核SVM的电力短期负荷预测方法.应用à Trous小波变换将负荷时间序列分解为近似分量和细节分量,并选择不同尺度核的SVM对分解后的数据进行预测,然后将预测后的数据进行合成,得到多尺度负荷预测结果.运用该方法对实际负荷数据进行了1步预测和2步预测,数据实验表明,最大的RMSE误差为1.82,与标准BP神经网络相比,文中所提方法具有更高的预测精度和更好的泛化能力.     

一种基于改进的HHT短期风电功率预测方法

风电功率短期预测对于电力系统稳定性和电能质量的提高具有非常重要的意义。文章采取一种基于Hilbert-Huang变换风电的短期预测方法。首先,对经验模态分解(EMD)中原始数据存在的端点效应利用提出的延拓抑制方法进行了抑制,然后,用经验模态分解的方法将风电场历史功率数据分解得到了七个具有不同规律特征的分量,进行希尔伯特变换,并在对各个成分的特点分析的基础上分别搭建了不同的预测模型,然后结合多个预测模型对风电场历史功率数据进行组合预测。仿真实验预测结果表明该方法使得风电预测精度大大提高,具有很好的应用前景。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

基于时间连续性及季节周期性的风速短期组合预测方法

根据风电机组功率曲线,可由风速计算出风电机组出力,因此,风电功率预测问题可转化为风速预测问题.基于风电场气象及风速数据的时间连续性及季节周期性,提出了一种风速短期组合预测模型.该模型采用模式识别技术分别提取时间连续性的样本及季节周期性的样本,以反向传播(BP)神经网络作为预测模型,得到风速横向预测值和纵向预测值,最后再通过BP神经网络进行组合预测.对国内某风电场的风速预测结果表明,所提出的风速预测模型可行、有效,具有较好的预测精度.     

基于集合经验模态和深浅层学习组合的风电场功率短期预测研究

风电功率的准确预测是减少风电接入电网的不良影响的必要前提。然而风电功率序列在时间上和空间上表现出非平稳性使其难以准确预测,因此提出一种基于集合经验模态分解(EEMD)和深浅层学习组合的短期风电功率组合预测方法,其中深度学习使用稀疏自编码器（SAE）而浅层学习则使用BP神经网络,从而建立EEMD-SAE-BP预测模型。该模型先用EEMD将风电功率原始序列分解为一系列按不同时间尺度分布的分量;然后针对分量中的高频分量建立SAE预测模型,对低频分量则用BP网络建立预测模型;最后将各子序列预测结果叠加得到最终的风电功率预测结果。通过比较几种预测模型的结果,本文提出的预测模型能有效地提高预测精度,有较高的实用价值。     

基于小波去噪的BP神经网络短期风功率预测方法设计

为了减小电网波动,提高电网调度的安全性、稳定性,风功率预测的研究尤其重要。运用基于小波去噪的BP神经网络算法进行风功率预测,通过建立预测模型对历史数据进行训练、仿真调试,找到最优组合方式。与传统的BP神经网络预测对比,基于小波去噪的BP神经网络算法明显提高了预测精度。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于混合算法优化神经网络的风电预测模型

针对粒子群算法陷入局部最优以及Elman神经网络泛化能力不足等缺点,提出一种混合小波包分解(wavelet packet decomposition,WPD)和催化粒子群算法(catytic particle swarm optimization,CPSO)优化Elman神经网络(elman neural network,ENN)的短期风电预测方法。通过小波包变换对风电功率样本进行多层序列分解,对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络(CPSO-ENN)进行预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证,结果表明新模型具有较高的预测精度。     

基于小波变换的风电上网电价的预测

提出基于小波变换和神经网络的预测模式,首先利用小波变换将历史销售电价序列分解为高频和低频序列,并分别构造学习样本作为神经网络的输入,对不同频率的序列分别采用神经网络进行预测,然后将不同频率预测结果通过小波重构,得到销售电价,并根据合理的输配电价管制模型推算上网电价,阐述影响风电上网电价的因素,实现对风电上网电价的预测。结果表明：提出的预测方法对美国PJM电力市场的历史节点边际电价（LMP）进行预测是有效的,从电力市场的角度入手分析风电上网电价机制具有重要意义。     

基于小波包分析的电力负荷预测算法

提出基于小波包分解和重构的电力负荷预测算法.算法使用具有线性相位的双正交小波对电力负荷数据进行小波包分解和重构,然后用神经网络直接对各尺度上的电力负荷分量进行预测,最后将各尺度上的预测值相加,得到实际负荷预测值.算例表明算法具有较高的预测精度,优于传统的BP神经网络,有利于分析不同时频区域的电力负荷特性,为更准确地建模和预测提供了条件.     

基于聚类分析方法的风电场日前功率预测研究

随着我国风电装机容量的逐步增加,风电在电源结构中的比例也进一步增大,而风电出力本身的随机性、波动性使得风电出力预测工作难度增加。鉴于不同特性的气象数据对应的出力差异性很大,因此采用模糊C均值聚类分析方法将风电场运行历史气象信息进行聚类并训练相应的BP神经网络,再将数值天气预报提供的待预测日的气象信息进行聚类,根据数据的聚类中心将待预测日气象信息与历史数据进行归类,最后将同一类风速、风向数据结合相应的BP神经网络进行预测。算例分析证明了此方法的有效性。     

基于相似时段的分时段光伏出力短期预测

针对历史气象数据较少、天气波动较大时光伏出力预测精确度较低的问题,提出一种适用于小样本和多种天气下的分时段光伏出力综合预测法。该方法结合了分时段神经网络模型和相似时段筛选法,将分时段神经网络模型作为相似时段筛选法在相似度不够时的补充:分时段神经网络模型利用光伏出力历史数据对预测模型进行训练,采用近相似时段神经网络进行预测,摆脱了历史气象数据的制约。多种气象条件下对光伏出力的训练与预测验证了所提方法的有效性。