基于属性约简重构的自校正卷积记忆风速预测EI北大核心CSCD

考虑风速属性及时空相关性的预测建模是规模化风电并网的研究热点,该文基于属性约简重构提出一种自校正卷积记忆超短期预测模型。利用快速相关性滤波对风速序列关联属性进行排序筛选,据此改进K-mediods方法对风电场机群聚类,基于改进灰色关联度分析簇内风机的风速时空相关性,划分典型风机多阶邻域,并重构风速信息矩阵。然后,将重构的时空多维信息输入卷积双层记忆网络,通过卷积神经网络进行风速信息降维与空间特征提取,再由双层记忆神经网络进行多位置多步超短期预测,同时基于反向误差传播原理在记忆网络中引入自校正误差修正单元。最后对实际风电场的风速进行预测,验证所提方法的有效性。     

基于DTW-FCBF-LSTM模型的超短期风速预测

为了实时调整电网调度计划、提高电网消纳风电的能力,提出了一种基于动态时间规整(DTW)进行相似数据分析、快速相关过滤方法(FCBF)进行输入属性特征选择、以及基于长短期记忆神经网络(LSTM)的超短期风速预测方法。利用DTW方法筛选出与待预测数据相似性高的训练样本;运用FCBF算法得到优选的输入特征集;构建LSTM模型进行超短期风速预测。以风电场实测数据为算例,将文中方法与现有算法的预测精度进行了对比,验证了所提方法的有效性和先进性。     

基于双重注意力LSTM神经网络的可解释海上风电出力预测

海上风电面临复杂多变气象和海况条件的深度耦合影响,导致其出力预测精度有待提升。同时,预测模型的“黑盒”结构导致出力预测结果在工程应用中可信度偏低。针对上述问题,提出一种基于双重注意力长短期记忆(DALSTM)网络的超短期海上风电出力预测模型。在长短期记忆神经网络的基础上,引入特征空间和时序双重注意力机制,动态挖掘海上风电出力与输入特征间的潜在相关性,并从特征和时间2个方面获得重要性量度,在一定程度上实现了模型的可解释性。最后,基于中国东海大桥海上风电场数据采集与监控数据进行仿真验证。结果表明,所提DALSTM网络模型能够对海上风电出力进行有效的超短期预测,相比于传统预测模型具有更高的预测精度和稳定性,同时具有合理的可解释性。     

基于时空关联分解重构的风速超短期预测

考虑风速的空间关联性进行多步预测是规模化风电并网的研究热点,该文采用一种改进的多位置多步风速预测方法.首先,提出风速矩阵时空关联分解重构策略,对风场内各风机进行灰色关联分析,并据此利用时序控制的空间关联优化算法进行优选排序,获取典型风机及临近域空间信息,对该空间信息进行重构,以提高空间特征提取效率;然后,将重构的时空三维信息输入卷积记忆网络,以降低信息缺失对预测精度的影响,并进行空间特征提取及多步超短期预测;最后,通过对不同风电场的风速及风功率进行预测,验证所提方法的预测精度和泛化能力.     

基于过采样和随机森林的高压隔离开关发热故障诊断

云团运动的不确定性使得光伏系统输出功率较难准确估计,从而影响新能源并网的可靠性和经济性。为了有效利用卫星的云观测数据,提出了基于云图特征的超短期光伏发电功率预测模型。利用卷积神经网络对卫星云图进行特征提取,且和通过相关性分析后的4种气象特征进行融合,作为光伏发电功率预测模型输入。在此基础上,通过卷积神经网络解析这些特征之间的空间联系,并使用长短期记忆网络实现对光伏输出功率的时间序列预测。此外,考虑到一个自然日中不同时段数据对预测影响不同,引入多头注意力机制来确定关键时间点与关键特征,由此进一步提高所提模型精度。使用光伏电站实际数据以及对应的卫星云图和天气数据,对所提模型的预测效果进行验证。算例分析结果表明,该模型预测精度高且时效性好,特别对于正午辐照较大以及云团运动波动剧烈的时段,模型仍能保证较高的预测精度。     

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索（bald eagle search,BES）算法对长短时记忆神经网络（long short term memory,LSTM）的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。     

基于多位置NWP的超短期风速预测研究

数值天气预报(NWP)是影响风电场超短期预测精度的主要因素。采用数据挖掘技术中的主成分分析方法,对位于一个风电场多个位置的NWP各指标数据进行主成分提取,获取几个综合指标,使得新的输入变量维数降低,分量间相关性减小。在此基础上,利用BP神经网络和泛化回归神经网络(GRNN)建立超短期风速预测模型,实验结果显示,基于主成分分析提取的GRNN预测模型预测精度更高。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

基于相似性算法的超短期风速预测

超短期风电功率预测对接入大规模风电的电力系统实时调度具有重要的意义。根据风电功率的影响因素和风速周期变化的特性,提出了基于相似时段的训练样本提取方法。以数值天气预报信息(NWP)作为模型输入,建立了广义回归神经网络(GRNN)预测模型。利用黑龙江依兰风电场的数据进行训练和预测,并将预测结果与全样本的广义回归神经网络预测方法进行对比,结果表明,相似性模型的预测精度最高,比全样本GRNN模型预测精度提高了7.72%,该方法对风电场超短期风速预测具有一定的实用价值。     

基于VaR和集成神经网络分位数回归的短期负荷概率预测

短期负荷预测在电力系统规划与运行中起着重要作用。提出一种融合注意力机制和分位数回归的混合卷积双向长短期神经网络短期负荷概率预测模型。首先,利用相关性分析选取合适的天气变量和历史负荷。其次,通过Copula模型计算出风险阈值,该值被用于构造峰值二进制指示输入特征。接着,将所选特征集输入到卷积双向长短期神经网络预测模型,引入注意力机制给予数据不同关注。然后,采用核密度估计对负荷进行概率预测。最后,使用平均绝对百分比误差和均方根误差对模型预测性能进行评估。仿真结果表明,该模型具有更高的预测精度。     

基于改进的CNN-LSTM短期风功率预测的系统旋转备用经济性分析

为更准确地预测短期风功率,提出了一种新型短期风功率预测方法.首先采用Pearson相关系数法对风速、风向等影响因素序列与风功率序列进行相关性分析;其次,利用卷积神经网络(convolution neural network,CNN)对输入的时序序列进行特征提取;然后在长短期记忆(long short-term memo...     

基于 WOA-BiLSTM神经网络的风力发电预测∗

针对风力发电具有高随机性与波动性,利用风电场的历史大数据,选取基于鲸鱼优化算法的双向长短期记 忆网络 (WOA-BiLSTM)建立短期风力发电预测模型,预测超短期风电功率.双向长短期记忆神经网络 (BiLSTM) 可利用过去以及未来的风速预测数据,对风力发电进行功率预测,提高风力发电的预测精度.在此基础上,利用鲸鱼 优化算法 (WOA)较高的全局最优解寻求能力来寻找最优神经网络参数,减少根据经验设参导致的 BiLSTM 随机性, 提高预测精度,降低人员试调所花费的时间.试验结果表明,相比于 LSTM、BiLSTM,WOA=BiLSTM 对风力发电预测有着更好的效果.     

基于MA-LSTM的短期负荷预测方法*

精准的预测电力系统短期负荷对电力系统智能化和可靠运行有重要意义。为了提高负荷预测的精度，采用了一种基于蜉蝣优化算法和长短期记忆神经网络的短期负荷预测方法。将影响负荷的温度、日期类型、湿度作为输入特征；对长短期记忆神经网络中的参数使用蜉蝣算法不断地优化以确定最优参数；最后建立MA-LSTM模型对短期负荷进行预测。算例结果表明，和BP、LSTM、PSO LSTM及SSA-LSTM方法相比，所提方法具有更高的预测精度，为电网安全稳定运行提供了有力保障。     

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。     

基于气象因子与误差修正的改进卷积神经网络短期风速预测模型

针对目前神经网络短期预测风速收敛困难以及精度不高的问题,提出一种基于气象因子与误差修正的多尺度卷积神经网络(ME-MCNN)短期风速预测模型。选用我国北部某地区历史风速、日照、温度、湿度和气体压强作为预测模型输入变量进行仿真。结果表明,ME-MCNN模型较BP神经网络与传统卷积神经网络模型具有更高的预测精度。     

基于VMD和LSTM的超短期风速预测

风速具有非线性、非平稳性以及随机性等特点。为提高超短期风速预测精度,提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的超短期风速预测新方法。首先利用变分模态方法将风速序列分解成一系列不同的子模态以降低原始数据的复杂度和非平稳性对预测精度的影响。再对得到的风速子模态分别建立LSTM模型,进行超前1步风速预测。最后叠加各子模态的预测结果得到最终预测风速。对比分析结果显示,该模型的预测精度优于其他多种典型风速预测模型,该模型在超短期风速预测方面表现出较好的性能。     

基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

利用空间相关性的超短期风速预测

风速的空间相关性有助于提高其预测质量,特别是在风速突变的情况下。将"离线分类建模,在线匹配模型"的预测思路应用到利用空间相关性的超短期风速预测之中:通过历史数据的时序分析,识别其中各风电场风速存在空间相关性的时段;按其时序特征及其他的条件特征,将观察时窗内的风速序列划分为不同演化形态的样本子集;在离线环境下,分别根据各类形态的训练样本子集优化其专用的预测模型及参数;在线应用时,则根据当下窗口内风速序列的演化形态及相关的条件特征,按匹配所得模型及参数,根据参考风电场的实测数据预测目标风电场的风速。以实际的历史数据验证了所述方法的有效性。