基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要.非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用.文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测.首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间.以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性.     

基于VMD与改进QRGRU的超短期风电功率概率预测

风电功率概率预测是分析未来风电功率不确定性的有效方法之一。为提高风电功率概率预测精度,文中提出基于变分模态分解(VMD)与改进门控循环单元分位数回归(QRGRU)的超短期风电功率概率预测方法。首先,采用VMD将原始风电功率序列分解成不同特征的模态函数;然后,对每个模态函数分别建立基于QRGRU的概率预测模型,并将变量间的网络结构约束作为目标函数的惩罚项,改进QRGRU权重在迭代修正过程中的平稳性;最后,在不同分位数条件下叠加各个模态函数预测值,并采用非参数核密度估计方法得到未来风电功率的概率密度函数。结合某风电场实测数据开展具体算例分析,结果表明所提方法能够兼顾区间覆盖率,减少区间宽度,在不同预测步长中均能表现较好的预测效果。     

基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。     

基于改进光滑样条的风电机组功率曲线建模方法

风功率曲线是风电机组的重要性能指标,准确高效地建立风功率曲线模型对风电场的运行管理具有重要意义。为此,在分析风功率曲线模型工程应用典型需求的基础上,提出了一种基于改进光滑样条的风功率曲线建模方法,并开展了案例验证。所提方法采用三次样条对风速-功率数据进行拟合,利用粗糙度惩罚对拟合函数的系数进行正则化,并通过交叉验证求取最优光滑参数,以实现风功率曲线平滑、高精度的建模。案例分析结果表明:提出的基于改进光滑样条的风功率曲线建模方法可以有效对风功率曲线进行拟合,具有准确度高、平滑度和普适性好的特点。研究成果可为风电机组风功率曲线建模提供参考。     

基于复数据的EMD在水导轴承故障诊断中的应用

水轮机组是一个复杂的非线性动力系统,振动信号往往表现为非平稳性、非线性的特点,经验模态分解是一种新的时域分析方法,具有很好的适应性,较为适合处理非平稳性信号,但存在严重端点效应、模态混叠等问题。改进的集成经验模态分解一定程度上能够抑制模态混叠,但也会带来新的模态混叠、频谱丢失、运算量增大等问题。因此,本文将复数据经验模态分解运用到水轮机水导轴承的故障诊断中,添加白噪声作为虚部,从而构成复信号,通过白噪声在各个方向的投影来影响极值点的选取,同时利用噪声投影的影响再求包络质心的时候被消除的特性,从而抑制模态混叠。并通过水电站的实测信号验证该方法的有效性。     

基于模糊序优化的风功率概率模型非参数核密度估计方法

风功率概率分布模型的研究对于风电场规划以及运行都具有重要意义。提出了一种基于模糊序优化的风功率概率密度模型非参数核密度估计方法。该方法利用风电运行数据样本构建风功率概率密度的非参数核密度估计模型;然后建立用于模型带宽选择的多目标优化模型;最后利用模糊序优化对带宽优化模型进行求解。实际算例结果表明,所提建模方法完全由样本数据驱动,不需要对概率密度模型进行先验主观假设,因而具有更高的建模精度和更强的适用性。     

基于CEEMDAN和改进时间卷积网络的短期风电功率预测模型

近年来,风力发电逐渐成为可再生能源发电的关键部分.为了提高风力发电功率短期预测的准确度,提出了一种将自适应噪声完备集成经验模态分解与改进时间卷积网络结合的短期风电功率预测模型.首先,利用CEEMDAN对风电功率序列进行分解,得到子序列分量,并分别与关键气象变量数据构成训练集.然后,使用基于时间模式注意力机制的时间卷积网...     

基于信号分解和核极限学习机的风电功率预测

针对传统短期风功率预测模型在功率变化较大情况下的预测精度不高问题,提出了一种基于信号分解和量子粒子群算法优化核极限学习机的短期风功率预测模型.首先利用经验小波变换将原始风功率序列分解成为若干个模态分量,再利用核极限学习机建立每个模态分量的预测模型,为了提高模型预测精度,采用量子粒子群算法优化核极限学习机参数,最后将每个模态分量预测值相加得到最终的功率预测结果.以实际风电场发电功率为例,并与其他预测模型进行比较,结果表明所提模型具有较高的预测精度.     

二次分解组合LSTM的短期风电功率预测模型

随着风电在电力系统中的占比逐步提高,风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而,风电的随机性和间歇性极大地影响其功率的精确预测。为此,提出二次分解组合长短期记忆(LSTM)的短期风电功率预测模型。首先,采用经验模态分解(EMD)技术将原始风电序列分解为若干固有模态分量;再采用样本熵(SE)技术将各分量重组为高、中、低频3个序列,针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD)二次分解技术;最后,采用SSA算法对LSTM的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证,并与其他模型进行对比。结果表明,所提模型的平均绝对误差(MAE)为5.79 kW,均方根误差(RMSE)为5.64 kW,平均百分比误差(MAPE)为17.38%,具有更好的预测精度。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。     

基于集合经验模态分解的风电混合储能系统能量管理协调控制策略

采用蓄电池-超级电容混合储能系统来平抑风电功率波动,实现风电平滑并网。首先,针对风功率非线性、不稳定的波动特性,结合1min/10min两个时间尺度的风电场输出功率变化最大限值,采用基于集合经验模态分解(EEMD)方法,实现风功率的自适应分解,得到风电并网功率和混合储能系统充、放电功率指令;其次,根据蓄电池和超级电容的出力需求,结合储能设备荷电状态(SOC)等约束条件,提出混合储能系统能量管理协调控制算法,实现储能系统内部功率相互流动;最后,基于风电历史数据,验证所提方法的有效性和合理性。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

非参数条件概率预测提高风电消纳的优化方法

功率点值预测信息未充分考虑可再生能源的不确定性及波动性,在日前发电计划和备用决策安排中存在保守或冒进的风险。引入非参数化方法,根据历史风资源状况得到风电出力的非参数条件概率预测结果,建立风电日前消纳调度模型。该模型在不同资源主导因素所划分的条件空间子集中得到预测功率条件概率分布,能够反映弃风和失负荷风险,可以根据调度需求选取不同的预测功率置信区间,计及风电不确定性完整的条件概率信息。仿真算例验证了选取合适置信水平的风电非参数化条件概率预测方法在日前优化运行中有效提高风电消纳水平,并降低系统运行风险。     

基于频域分解和精度加权集成的分布式风电功率预测方法

针对具有强随机波动性的分布式小风电开展功率高精度预测研究，对增强小风机自身稳定性和配电网支撑力具有重要意义。为此，提出了基于频域分解和精度加权集成的分布式风电预测方法。首先，通过自适应噪声完备集合经验模态分解将原风电信号分解到不同频段，捕捉风电局部波动特征；然后，构建具有双层异质学习器的精度加权Stacking,实现多模型优势互补，增加应对分布式风电强波动特性的泛化能力；最后，通过4台风机的实际数据验证了所提方法优于当前用于大型风电场、风电集群及单风机的几种先进预测方法，证明了所提方法针对分布式风电功率预测的有效性和泛化性。     

基于改进马尔科夫链的风电功率时间序列模型

模拟风电功率时间序列在风电并网系统的规划和评估研究中具有重要意义,针对原始马尔科夫链在风电功率建模上无法保留其自相关性的不足,构建了一种基于改进马尔科夫链的风电功率时间序列模型。首先分析了风电功率的季节特性、日特性和波动特性;然后将风电功率数据按照不同月份及时段进行了细致划分,生成相应的状态转移概率矩阵;最后,对风电功率波动量的概率分布进行拟合,并叠加波动量,建立了基于改进马尔科夫链的风电功率时间序列模型。实例分析表明,本文所建新模型生成的风电功率序列能够保留历史序列自相关性,同时在一般统计参数、概率密度分布和自相关性三方面的准确性也优于已有模型。     

考虑集合经验模态分解的风电储能系统能源管理协调控制方法

传统的风电系统能源管理控制方法对储能容量利用的优化程度有限,因此提出了一种新的基于集合经验模态分解的风电储能系统能源管理协调控制方法。采用时空滤波器对风功率信号进行分解,得到固有模态函数分量和趋势分量,从而确定储能系统控制功率分配,建立风电储能设备控制模型,最后实现风电储能系统能源管理协调控制。仿真测试结果表明,采用集合经验模态分解的风电储能系统能源管理控制方法相比于传统方法,能实现更优化的储能设备充放电次数和更有效的储能容量利用,提高了系统的可靠性和能源利用效率。     

风电功率短期预测及非参数区间估计

为满足电网规划的要求,风电功率预测系统不仅需要提供确切的预测值,还应该对预测值包含的风险做出合理的评估。利用人工神经网络预测风速、风向,并根据实测功率曲线获得风电功率预测值。分析了造成风电功率预测结果不确定的影响因素,提出一种基于预测误差分布特性统计分析的非参数置信区间估计方法,对各功率分区内的预测误差概率密度函数进行建模,并在确定性预测基础上求取概率性风电功率预测值。仿真结果验证了该方法的实用性与有效性。     

考虑特征重组与改进Transformer的风电功率短期日前预测方法

短期日前风电功率预测对电力系统调度计划制定有重要意义,该文为提高风电功率预测的准确性,提出了一种基于Transformer的预测模型Powerformer。模型通过因果注意力机制挖掘序列的时序依赖;通过去平稳化模块优化因果注意力以提高数据本身的可预测性;通过设计趋势增强和周期增强模块提高模型的预测能力;通过改进解码器的多头注意力层,使模型提取周期特征和趋势特征。该文首先对风电数据进行预处理,采用完全自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将风电数据序列分解为不同频率的本征模态函数并计算其样本熵,使得风电功率序列重组为周期序列和趋势序列,然后将序列输入到Powerformer模型,实现对风电功率短期日前准确预测。结果表明,虽然训练时间长于已有预测模型,但Poweformer模型预测精度得到提升;同时,消融实验结果验证了模型各模块的必要性和有效性,具有一定的应用价值。