基于最大-最小贴近度和诱导有序加权算子的 风电功率短期预测模型

为了提高风电功率短期预测精度,将最大-最小贴近度和诱导有序加权算子相结合,提出了一种新的组合模型。根据诱导有序加权算子的不同,可形成不同的组合模型,即IOWA组合模型、IOWHA组合模型和IOWGA组合模型。由于预测期的实际值未知,各单项预测模型的诱导值无法提前预知,不能直接利用该方法进行预测。利用各单项模型建立不同组合模型,选择精度较高的组合模型,用其预测值代替实际值计算诱导值,可以解决预测期诱导值的计算问题。两个不同风电场的仿真结果表明:IOWGA组合模型比某些单项模型和其他组合模型的预测精度还低,预测效果并未得到改善;IOWA组合模型和IOWHA组合模型的各项误差指标都小于单项模型和其他组合模型,预测精度都得到提高,但IOWHA组合模型的各项预测评价指标都最好,预测精度更高,将它的预测值作为风电功率最终预测值,能提高风电功率预测精度。     

基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

基于ARIMA与双层BP神经网络相结合的风电功率预测方法

为满足风电运行、维护及调度管理需要,提高风电功率预测精度,提出了一种基于ARIMA与BP神经网络的组合风电功率预测方法。介绍了时间序列法与BP神经网络法的基本原理,采用了新的结合方式,综合考虑了风速、风向、以及风电场当地的物理限制,建立了预测模型。通过对某风电场的实测数据进行分析预测及对比,结果表明,该方法能有效提高风电功率预测精度,具有较好的实际应用价值。     

风电功率预测方法综述及发展研究

准确的风电功率预测有利于电网灵活调度和安全运行,进而提高风电场穿透功率.针对目前已有风电功率预测研究,本文首先对国内外风电预测系统进行梳理描述,再从单一模型、组合模型和区域模型角度进行分类阐述,同时深入对样本分析及处理、智能方法的输入变量选取和赋值、组合预测的权重处理、预测误差的评价分析和预测结果的不确定性分析这5个预测环节进行有针对性的详细分析,寻找可以改善预测效果的突破口,并进一步提出风电功率预测的发展建议.     

基于经验模态分解和小波包分解的组合风电功率预测模型分析

为了提高风电场输出功率的预测精度,提出一种基于经验模态分解(empiricalmode decomposition,EMD)与小波包分解(wavelet packet decomposition,WPD)的组合分解方法,与纵横交叉算法(crisscross optimization,CSO)优化后的Elman神经网络组成组合风电功率预测模型。该模型首先利用EMD将风电功率序列进行分解,然后利用样本熵计算EMD分解后序列的复杂度。对于高复杂度序列,利用WPD对序列进行二次分解,建立EMD-WPD-CSO-Elman预测模型;对于复杂度适中的序列,采用CSO优化Elman神经网络参数,建立EMD-CSO-Elman预测模型;对于低复杂度序列,直接建立EMD-Elman预测模型。最后叠加各个序列的预测结果,得到最终的风电预测功率。以某风电场实际采集数据为例,预测提前24 h的风电功率,并与EMD-WPD-CSO-BP、EMD-Elman及WPD-Elman预测模型比较,结果表明,本文提出的风电功率预测组合模型具有更好的精度。     

中长期风电功率的多气象变量模型组合预测方法

为了预防和控制危害性风电功率事件,提出多气象变量模型的组合预测方法,以实现中长期高精度风电功率预测。该方法利用数值天气预报提供的气象数据预测长期风电趋势,同时局部采用多变量模型改善预测精度。为了保证多变量模型的有效性,首先采用Granger因果检测法筛选出对风电功率预测有效的气象变量。其次,针对不同气象变量进行数据结构分析,并根据其动力学特性单独建立合适的预测模型,然后采用线性或非线性机制对不同气象变量预测结果进行组合,完成组合预测模型的建立。最后,通过对实例数据仿真,实现了中长期风电功率预测,并结合误差分析验证了组合预测模型的有效性,且预测结果为后续中长期风电功率事件分析提供了基础。     

基于不同优化准则的风电功率预测

为了获得较好的风电功率预测综合评价指标和提高风电功率预测精度,提出基于不同优化准则的风电功率预测模型。首先,通过基于贴近度的单项预测模型的择优方法得到较高精度的单项预测模型,然后利用选择出的单项预测模型分别以平均相对误差最小、平均绝对误差最小和均方根误差最小为优化准则建立不同的组合预测模型,最后利用灰色关联度分析方法确定每种组合预测模型在优化模型中的权系数,进而得到优化模型。以风电场的实际数据进行验证,结果表明:与各单项预测模型、不同优化准则的组合预测模型及其他组合模型相比,所提优化模型的整体误差指标较小,有效地提高了预测精度,证明了所提模型的有效性和实用性。     

风电场输出功率的组合预测模型

风电场输出功率预测对于接入大量风电的电力系统运行具有重要意义。作者利用BP神经网络、径向基函数神经网络和支持向量机进行风电功率预测,提出了风电场输出功率的组合预测模型。采用3种方法确定权重,即等权重平均法、协方差优选组合预测法和时变权系数组合预测法。研究结果表明,不同方法的预测精度不同,整体预测精度高的方法在个别预测点也可能误差较大,组合预测模型能有效减少各预测点较大误差的出现,有利于提高预测精度。     

基于交叉熵理论的风电功率组合预测方法

风电功率预测对电力系统的调度和安全稳定运行具有重要的意义。针对目前风电功率预测方法过分依赖参考样本的问题,利用信息融合技术,建立了一种基于交叉熵理论的风电功率组合预测方法,将风电功率组合预测看作信息融合问题,利用交叉熵理论判断各预测方法的相互交叉程度,按支撑度大小变化动态设置权重。阐述了所提方法的基本思想和主要实现方法,针对某实际风电场的算例结果表明,新方法能够有效识别预测方法交叉度,提高了风电功率预测精度。     

基于小样本集的网侧风电功率预测方法

风电功率预测多采用统计预测模型,为了达到可接受的预测精度,需要大量的历史数据对模型进行训练,不适用于缺少历史数据的新建风电场,为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据,运用支持向量机方法建立了网侧风电功率预测通用模型,并用此通用模型对风电场功率进行初步预测;在通用模型预测的基础上,利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正,从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性,实际预测精度较好,说明该方法适于历史数据样本较小的风电场的功率预测,能够减少功率预测中统计预测方法对数据的依赖。     

考虑风速动态时空关系的风电功率预测

风电间歇性和波动性强的特点使风电并网时给电力系统带来很大的安全风险,准确的风电功率预测可以有效提高电网安全运行特性。考虑风速动态关系的风电功率预测以数值天气预报(Numerical Weather Prediction,NWP)数据作为输入,分析了风电场局地效应和风向变化对流场的影响,建立了风电场局地效应模型及考虑风向影响的地形识别模型,通过模型对气流变化的物理过程进行解析求解,实现网格化NWP数据的修正,从而提高风速预报和风电功率预测的精度。最后,采用河北省某风场数据对风速和风电功率进行了预测,结果表明,所提出的预测方法能取得较为理想的预测效果。     

基于特征聚类的区域风电短期功率统计升尺度预测

区域风电功率预测对于保障风电消纳及电网安全经济运行具有重要意义。由于新建风电场在并网初期尚未建立预测系统及各风电场预测精度参差不齐,经典的单场功率累加法预测精度并不高。提出一种基于风电功率数据特征聚类的区域风电功率统计升尺度预测方法,首先使用经验正交函数(empirical orthogonal function,EOF)法解析区域内风电出力特征,然后采用层次聚类法划分子区域,并利用风电场的相关系数和预测精度选取代表风电场,最后根据代表风电场的预测功率及权重系数完成区域风电功率的升尺度预测。应用冀北电网2015年的实际数据进行统计升尺度建模和方法验证。结果表明,相比累加法,文中提出的统计升尺度方法可改进区域风电功率预测精度,同时减少区域预测模型对单风电场数据完备性和预测精度的依赖。     

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CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性，提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise， CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm， IDOA）优化双向长短时记忆网络（bi-directional long short-term memory， BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性，将分解后的所有序列进行偏自相关方法分析，选出重要性较大序列作为IDOA-BiLSTM模型的输入，最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集，进行训练模型和预测分析，结果表明所提出的超短期风电功率预测模型具有较高的预测精度，具备实际应用的可行性。     

基于麻雀算法优化的VMD-CNN-LSTM的短期风电功率研究

考虑相关风电场之间的影响因素可以有效提升新建风电场的风电功率预测精度，提出利用变分模态分解技术（VMD）将单风电场风电功率预处理分解为本征模态函数（IMF），然后将各风电场同频段分量，即低频分量、高频分量和残差分量，组合为二维特征矩阵作为卷积神经网络（CNN）的输入，利用卷积神经网络提取同分量子模态下空间特征信息，输入到长短时记忆网络（LSTM）提取时间序列中的长时依赖关系进行预测，最后将预测结果进行叠加，获得完整的预测结果。组合神经网络的超参数设置相较于单一模型对预测精度的影响更大，采用新型麻雀搜索算法（SSA）可以节省人工手动调制参数的时间、提高超参数设置的精度和效率。使用该方法对某风电集群中的新建基准风电场进行预测，预测结果表明经SSA优化的VMD-CNN-LSTM模型在预测风电集群数据上有较高的精度，预测效果好于对比模型LSTM,CNN-LSTM和SSA-VMD-LSTM。     

基于改进熵权法的风电功率组合预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。采用单一预测模型进行预测时,都会有各自的优势和劣势,为了更好地提高风电功率预测精度,提出了基于改进熵权法的风电功率组合预测方法,并同时采用滚动式权重,以此来实现对单一预测模型的互补。以吉林省西部某风电场的实测数据为例进行分析,说明了基于改进熵权法的风电功率组合预测方法在对风电功率进行预测时的有效性,同时证明了滚动式权重可以实现对权重的不断更新,使各权重值能够反映出风电功率的最新变化,从而实现了对风电功率预测精度的提高。     

一种变权重风电功率最优组合预测模型

针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

计及气象因素和风速空间相关性的风电功率预测模型

建立了一种计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型。首先,考虑到数值天气预报数据中的风速精确度不高,建立了基于高斯过程的数值天气预报风速修正模型,计入其他气象因素,如风向、温度、湿度、气压等,进行风电预测。同时,基于目标风电场与相邻风电场区域的风速空间相关性分析,求得其最大相关系数点的延迟时间,建立风速空间相关性预测模型。然后,基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型,建立组合加权预测模型,并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值。算例结果表明,所提模型及方法能够有效提高风电功率预测的精度。     

梯度提升树算法在陕北风电场短期风电功率预测中的应用

为了对地形和气候条件复杂的陕北风电场短期风电功率进行准确预测,通过将（weather research and forecasting,WRF）模式输出结果和同期实测风电功率资料相结合,利用梯度提升树算法进行预报气象场和实测风电功率之间的统计关系分析,从而建立了一套陕北风电场短期风电功率预测模型。以陕北靖边某风电场为例,预测结果表明：所提模型年平均预测准确率伟15.7%;月平均归一化均方根误差在20%以下。模型对风电场风电功率预测精度较好。