多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

基于小波变换和相关向量机的短期风功率预测

采用小波变换(wavelet transform,WT)和相关向量机(relevance vector machine,RVM)结合的方法对风电场发电功率短期预测进行研究。先利用小波变换将信号分解为不同频率的子序列,提取出风速中的低频趋势分量和高频波动分量;再结合风向和温度数据,运用RVM在不同分量上分别进行预测,并通过重构得到功率的预测结果。此方法应用于国内某风电场,仿真结果表明,通过小波分析能够把握风速变换规律,RVM预测法有较强的学习能力,小波—相关向量机法有效提高了预测精度,表明了该方法的可行性。     

基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

基于小波分解的风电场短期功率混合预测模型

为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

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。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于相似日小波支持向量机的短期电力负荷预测

对受不确定性影响的短期电力负荷,本文给出一种基于小波支持向量机的预测方法.采用小波变换将日负荷数据分解到不同尺度上,利用各相似日低频部分的最大最小负荷构造相似系数,通过支持向量机预测一天中最大和最小负荷,结合相似系数得到预测日低频部分各时刻的预测值;对于高频部分采用各时刻均方加权的方法预测负荷值,把各部分的负荷值叠加得到完整的负荷预测值.用山东某电力公司的数据进行数据仿真,取得了较好的预测效果.     

风电场输出功率年度预测中有效风速预测研究

风电场风电功率预测在风能利用中具有重要意义。利用历史年份的小时平均风速数据对下一年年度风速进行预测。对历史年份的小时平均风速数据以季度为单位进行小波分解,采用递推最小二乘法建立各分量的二元线性回归预测模型,将各分量预测模型等权求和集成为次年度对应季度的预测模型。对实测数据的仿真计算表明,提前一年的风速季度预测的平均绝对百分误差(mean absolute percentage,MAPE)为12.25%,提高了此类预测的精度。考虑具体风力发电机组的功率特性、机组效率和设备运行情况,可得次年度风电场输出功率值。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于时间序列的WD LS SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

Wind speed prediction using the hybrid model of wavelet decomposition and artificial bee colony algorithm-based relevance vector machine

In this paper, the hybrid model of wavelet decomposition and artificial bee colony algorithm-based relevance vector machine (WABCRVM) is presented for wind speed prediction. Here, wind speed can be regarded as a signal and decomposed into four decomposed signals with different frequency range, which can be obtained by 2-layer wavelet decomposition for wind speed data, and the prediction models of the four decomposed signals can be established by RVM with their each appropriate embedding dimension. Artificial bee colony algorithm (ABC) is used to select the appropriate kernel parameters of their RVM models. Thus, each decomposed signal’s RVM model of wind speed has appropriate embedding dimension and kernel parameter. Finally, the experimental results show that it is feasible for the proposed combination scheme to improve the prediction ability of RVM for wind speed.     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。