基于黄金分割法优选的中长期负荷变权组合预测

为了提高中长期负荷预测的精度,避免单一的灰色模型预测和指数平滑法预测精度偏低的缺点,提出了基于黄金分割法优选的自适应变权组合预测方法。该方法首先对灰色预测方法和自适应三次指数平滑法进行了改进,以拟合值与实际值之间的相对误差绝对值之和最小为目标,利用黄金分割法优选出自适应三次指数平滑法的平滑系数,确定最优的三次指数平滑模型,然后以同样的方法确定灰色模型和自适应三次指数平滑法的权重。接着,对原始负荷数据进行新陈代谢,重复利用黄金分割法优选出新的平滑系数和各单一方法的权重,即可得到新的变权组合预测模型。仿真结果表明,所提出的自适应变权组合预测方法切实可行,与单一的灰色模型、三次指数平滑法及等权组合预测方法相比,有效地提高了中长期负荷预测的精度。     

基于二次曲线指数平滑法的风电杆塔预警模型研究

二次曲线指数平滑法应用在预测中,仅凭人工经验选取平滑系数所得的预测结果并不准确。针对风电场监测预警中的实际问题,提出采用缩小平滑系数选取区间,得出最优平滑系数的二次曲线指数平滑法,建立杆塔沉降预警模型,并通过该模型对风电机杆塔沉降度进行预测。改进平滑系数后的二次曲线指数平滑法在预测的平滑度和信度上,都有非常明显的优化效果,从而更准确地预知数据异常所构成的潜在危险。     

基于空间平滑法的风电场短期出力预测模型

风电机组发电出力的影响因素有很多,如风速、紊流、风机塔影效应等,这些因素的随机变化都会引起风机出力的波动.随着我国风电规模的迅速增长,风电装机容量在总发电容量中所占比例也越来越大,如果不能准确地对系统内风电场出力进行预测,那么电网调度(发电)计划将不能及时做出相应调整,电力系统的安全可靠性也就难以得到保障.对风机功率特性曲线使用了线性差值法,来确定单台风机在给定风速下的出力情况.应用两个风电场出力的相关系数,进行两个风电场总出力的预测误差分析,然后应用空间平滑法推导出两个风电场总出力的计算公式.应用相似的方法推导出了一个区域内多个风电场总出力的空间平滑表达式.     

基于Mycielski算法的风电场风速预测

对已有的风速预测方法进行了总结归类,并使用一种新颖的基于Mycielski算法进行风电场风速预测,建立了基于该算法的预测模型,并且同持续法风速预测进行对比,同时对二者的误差进行了分析.实验结果表明,基于Mycielski风速预测模型在风速平滑段有着非常高的预测精度,其均方根误差与误差方差均小于持续法,误差为零的概率高于...     

负荷预测指数平滑法“厚近薄远”规律研究

为了解决中长期负荷预测存在时间跨度大和广域分布广等难题,提出具有"厚近薄远"特性的指数平滑法。指数平滑法是电力负荷预测中一种重要的方法,该方法中平滑系数α为预测精确度的关键。在传统的指数平滑法预测电力负荷模型的基础上,考虑到模型各期负荷数据误差的区别,引入拟合误差权重系数,提出具有"厚近薄远"特性的指数平滑法预测模型,并通过等分法搜索出最优平滑系数α。通过统计学实验,对负荷模型添加随机扰动产生符合实际要求的多组负荷时间序列,统计在不同负荷模型下"厚近薄远"的规律,即拟合误差权重系数β的取值规律。最后将统计实验结果与仿真实例进行对比得到一致结果,从而证明指数平滑法"厚近薄远"规律的正确性。     

风速分布预测的指数平滑模型及其在配电网可靠性中的应用

风电机组多状态出力模型的准确建立是含风电机组配电网可靠性评估的关键。基于风速历史数据由近及远影响逐渐减弱的特性,提出一种新的风速分布预测模型,即风速分布预测的指数平滑模型。在指数平滑模型建立中,以风速预测值与实测值间的绝对误差最小为目标函数构造并确定平滑系数最优取值,从而建立风电机组多状态出力模型。通过同ARMA、Weibull分布等风速模型的比较,验证了指数平滑方法建立风电机组多状态出力模型的精确性与高效性。将该方法应用于IEEE RBTS测试系统BUS 6的配电网可靠性评估,并与已有方法进行对比,表明该方法在可靠性评估计算精度上具有一定的优势。     

基于遗传算法的电力系统自适应卡尔曼滤波动态状态估计

针对卡尔曼滤波动态状态估计中Holts'两参数均为常数,在电力系统运行状态变化时易产生较大的预测误差的不足,提出采用指数平滑法对参数进行动态调整。该方法在预测步中利用遗传算法来动态确定参数大小,实现了预测参数的自适应优化。最后,对IEEE14节点系统进行仿真计算,与传统方法进行比较,结果表明本文方法具有明显的优势。     

基于集成经验模态分解和最小二乘双支持向量回归机的风速预测算法研究

为有效解决风电大规模并网过程中面临的并网难和弃风等问题,实现可再生能源大规模平滑并网并保证大电网的安全稳定运行,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)和最小二乘双支持向量回归机(least square twin support vector regression,LSTSVR)算法进行风电场风速预测。分别介绍了LSTSVR、EEMD及自适应变异粒子群算法原理。给出基于EEMD和LSTSVR的风速预测流程,以安徽女儿岭风电场测风声雷达30、70 m处风速采样数据为例,开展基于EEMD和LSTSVR的风速预测算法验证,预测结果误差分析表明:基于EEMD+LSTSVR+自适应变异粒子群算法可以实现风电场风速的高精度预测。     

基于最优平滑阶数的风电功率曲线建模策略研究

由于同一风速下的风电功率存在较大范围的波动,传统风电功率曲线建模方法难以获得较高的精度。提出一种基于最优平滑阶数的风电功率曲线建模策略,首先基于时间序列平滑的预处理方法得到新的输入风速,并以相关系数最大为目标函数选择最优的平滑阶数,再利用BP神经网络拟合得到风电功率曲线。基于西南地区某风电场单机实测数据的仿真研究表明,以最优平滑预处理得到的风速为输入建立的风电功率曲线模型精度显著高于已有方法中以原始风速为输入建立的风电功率曲线模型。     

基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用。根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法（ANFIS）进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测。以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性。     

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SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,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。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

考虑风电功率预测的分散式风电场无功控制策略

分散式风电接网模式可以解决集中式并网限电等问题,但对配电网传统运行模式带来挑战。为解决其经济稳定运行难题,提出了一种包含无功预测、无功整定、无功分配的三层新型分散式风电场无功协调控制策略。其中,无功预测层利用物理和统计方法组合预测单台机组未来无功输出能力;无功整定层针对有无无功补偿设备,提出风电机组基于电网无功缺额降出力的自身补偿和多时间尺度协调离散补偿设备、静止无功发生器(SVG)与风电机组共同补偿配电网无功需求方法;无功分配层基于风电功率预测无功功率信息,考虑风速波动性,按照优先级动态筛选风电机组,调节其输出功率以跟踪无功补偿指令。工程算例证明了所提策略可以有效提高电压支撑能力,减小风电场损耗。     

基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。     

考虑流动相关性的风电场机组分组功率预测方法

风电固有的随机波动性对电力系统的安全稳定运行产生不利影响。风电场功率预测是缓解该问题的重要途径,但预测精度及计算效率制约其在电力系统运行中的应用效果。针对上述问题,提出一种基于流动相关性的风电场机组分组方法并运用于风电场功率预测中。针对传统大地平面坐标无法体现流动信息的缺陷定义了可以体现风电场流动特性的坐标体系——风电场主风向坐标系,以简单而直观的方式将流动特性与风电场机组组合方法、风电预测技术相结合。以中国西北某风电场为例,采用GABP预测模型进行验证,结果证明该方法有效利用了风电场流动相关性对风电场机组进行分组,在精度和效率之间寻求平衡,为电力系统和风电场经济运行提供保障。     

风速概率分布参数预测及应用

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。     

基于时间序列分析和卡尔曼滤波算法的风电场风速预测优化模型

为提高风电场风速的预测精度,解决时序模型预测延时的问题,文章提出了一种时间序列分析和卡尔曼滤波相结合的混合算法。基本思路为：首先利用时间序列分析理论,对风电场风速信号进行非平稳建模,得到符合其变化规律的模型方程;其次通过得到的模型方程推导出卡尔曼滤波法的状态方程和观测方程;然后依靠卡尔曼预测递推方程进行预测;最后对某实测风速信号进行预测。实例分析表明：采用该混合算法可以提高预测精度,而且较好地解决了预测延时问题。     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。