基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于ARMA-ARCH模型的风电场风速预测研究

风速预测对风电场规划设计和电力系统的运行都具有重要意义.对采样时间为15 min的风速时间序列建立自回归移动平均(ARMA)模型,利用拉格朗日乘数法检验ARMA模型残差的自回归条件异方差(ARCH)效应,建立ARMA-ARCH模型.分别使用ARMA模型和ARMA-ARCH模型对风速时间序列进行短期预测,并比较两者精度.结果表明,ARMA-ARCH模型具有更高的预测精度,具有一定的实用价值.     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差(MV)法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明:组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

基于噪声场合下ARMA模型的风力发电量预测

针对普通的ARMA模型的预测质量由于各种原因会大大降低的情况,依据富锦风电场风力发电量的时间序列,基于HOYW定阶方法建立了噪声场合下的ARMA模型。通过对模型残差白噪声性能的分析,验证了模型的适用性。应用此模型进行了预测分析,得到的归一化平均绝对误差（NMAE）为0.065 8。通过与普通的ARMA模型预测精度方面的对比,进一步验证了噪声场合下基于ARMA模型风力发电量预测的优越性。     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。     

基于Box-Cox变换的风电场短期风速预测模型

风电场准确的风速预测可以减轻或避免风电对电网的不利影响,有利于在开放的电力市场环境下正确制定电能交换计划,提高风电竞争力.基于风速序列的时序性,使用极大似然法对风速序列进行了Box-Cox最优变换,建立了ARMA(p,q)风速预测模型.为检验时间序列模型的有效性,利用最小信息准则中的BIC(Bayesian Information Criterion)函数对ARMA(p, q)模型进行识别,并通过风速频率曲线对预测结果进行了修正.仿真结果和算例验证了该方法在风电场风速预测中的适用性,具有一定的实用价值.     

基于RVM与ARMA误差校正的短期风速预测

为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。     

基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

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。     

基于噪声场合下ARMA模型的风力发电量预测

针对普通的ARMA模型的预测质量由于各种原因会大大降低的情况,依据富锦风电场风力发电量的时间序列,基于HOYW定阶方法建立了噪声场合下的ARMA模型.通过对模型残差白噪声性能的分析,验证了模型的适用性.应用此模型进行了预测分析,得到的归一化平均绝对误差(NMAE)为0.065 8.通过与普通的ARMA模型预测精度方面的对比,进一步验证了噪声场合下基于ARMA模型风力发电量预测的优越性.