首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 109 毫秒
1.
双自回归滑动平均模型风速预测研究   总被引:2,自引:0,他引:2  
郭鹏 《现代电力》2009,26(6):66-69
风电场中风速变化的随机性很强。对随机过程的建模和预测,自回归滑动平均模型(ARMA)具有较好的效果。以张家口尚义风电场实测风速构成时间序列样本,首先通过差分处理将原始风速序列变为平稳随机序列,并确定该序列的描述模型为ARMA(0,4)。用该模型对验证风速序列进行超前一步预测,得到较好的风速预测效果。为进一步提高预测的精度,对样本序列风速预测的残差再次采用ARMA模型进行建模和预测,并用预测残差来修正风速预测值。对实际风速序列进行预测和验证,结果表明本文提出的双ARMA模型预测可以显著提高风速预测准确性。  相似文献   

2.
在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM(1,2)短期电价预测方法.该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM(1,2)模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM(1,2)模型的预测结果.对PJM电力市场历史数据的算例分析表明,相对于传统GM(1,2)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要.  相似文献   

3.
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.  相似文献   

4.
基于经验模式分解的风电场短期风速预测模型   总被引:3,自引:0,他引:3  
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.  相似文献   

5.
基于ARMA-ARCH模型的风电场风速预测研究   总被引:2,自引:1,他引:1  
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.  相似文献   

6.
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。  相似文献   

7.
在对电力市场现货电价的变动规律综合分析的基础上,提出了一种含预测误差校正的粒子群优化GM(1,2)短期电价预测方法。该方法对采用滑动平均法处理后的电价序列建立基于粒子群优化灰色背景值的GM(1,2)模型,利用时间序列分析的ARMA方法对灰色残差序列建立ARMA预测模型,并用ARMA模型的预测值修正GM(1,2)模型的预测结果。对PJM电力市场历史数据的算例分析表明,相对于传统GM(1,2)模型,该方法能够更加准确地反映电价的变化规律,具有较高的预测精度,可满足电力市场参与者制订竞价策略的需要。  相似文献   

8.
建立基于蒙特卡罗仿真的含并网风电场的电力系统可靠性评估方法,该方法考虑风速的随机性和自相关性,建立风速的ARMA模型,而且结合风力机的强迫停机率和电气元件的工作状态模型,构建风电场的等值模型。最后用一个标准算例计算可靠性指标,并通过分析可靠性指标研究并网风电场对电力系统可靠性的影响,验证该方法的正确性与可行性。  相似文献   

9.
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。  相似文献   

10.
为了提高配电网系统的运行效率和稳定性,在建立ARMA模型的基础上,对配电网馈线负荷进行预测和分析。建立了配电网馈线负荷数据序列及ARMA模型,对馈线负荷数据序列的差分运算、标准化、自相关系数和偏相关系数进行分析,并采用ARMA模型对未来某一时间段内的配电网馈线负荷数据序列进行预测。算例结果分析表明,ARMA模型预测值与实际值相符。  相似文献   

11.
赵辉  李斌  李彪  岳有军 《中国电力》2012,45(4):78-81
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。  相似文献   

12.
基于最小二乘支持向量机的风电场短期风速预测   总被引:20,自引:3,他引:17  
杜颖  卢继平  李青  邓颖玲 《电网技术》2008,32(15):61-66
提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。  相似文献   

13.
现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄。  相似文献   

14.
吴俊利  张步涵  王魁 《电网技术》2012,36(9):221-225
进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。  相似文献   

15.
针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型.该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力.该模型能降低单一模型的预测风险,提高预...  相似文献   

16.
风速概率分布参数预测及应用   总被引:6,自引:0,他引:6  
利用双参数Weibull分布对历史风速数据按月拟合,通过对每年相同月份的分布参数数据进行分析,提出了一种基于灰色模型的、对未来年份中对应月的风速分布参数进行预测的方法。算例结果表明,该模型可以用较少的历史数据获得较高的精度,而预测所得的参数既可以用来评估风电场的风资源,又可根据概率分布的逆运算得到符合预测参数的风速序列。上述预测结果可以广泛应用于风力发电系统的仿真或风电场并网可靠性分析等方面。  相似文献   

17.
精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机(RVM)理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法(GSA)缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法(APSO)的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。  相似文献   

18.
准确预测风速对包含风电场的电力系统运行至关重要。为提高短期风速预测模型的精度、实用性,针对风速时间序列既有随机波动性又有趋势性的特点,提出了一种基于模糊理论和逆推算法改进均值生成函数的短期风速预测方法。首先利用模糊理论和逆推算法对均值生成函数进行了改进,推导出模糊均生函数,然后将其与最优子集回归模型相结合,建立短期风速预测模型。实例分析表明,与传统均值生成函数模型及经典的ARMA预测模型相比,所建新模型集合了均值生成函数和模糊理论以及逆推算法的优点,有效提高了短期风速的预测精度,具有良好的工程应用前景。  相似文献   

19.
基于小波-神经网络的风速及风力发电量预测   总被引:6,自引:1,他引:5  
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。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号