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。     

基于时间连续性及季节周期性的风速短期组合预测方法

根据风电机组功率曲线,可由风速计算出风电机组出力,因此,风电功率预测问题可转化为风速预测问题.基于风电场气象及风速数据的时间连续性及季节周期性,提出了一种风速短期组合预测模型.该模型采用模式识别技术分别提取时间连续性的样本及季节周期性的样本,以反向传播(BP)神经网络作为预测模型,得到风速横向预测值和纵向预测值,最后再通过BP神经网络进行组合预测.对国内某风电场的风速预测结果表明,所提出的风速预测模型可行、有效,具有较好的预测精度.     

基于混沌DNA遗传算法与PSO组合优化的RNN短期风电功率预测

提高短期风电功率的预测精度对保证电力系统安全、稳定地运行具有重大意义。针对风速信号的强奇异性,采用脊波神经网络建立短期风电功率的预测模型;同时利用混沌DNA遗传算法确定脊波神经网络的隐层结构,采用粒子群算法优化网络的连接权值及方向向量。对新疆某风电场的输出功率进行了预测实验,并比较了优化前后脊波网络模型的预测性能。研究结果表明采用粒子群与混沌DNA遗传算法组合优化后的脊波神经网络均方根误差降至12.3%,预测精度得到显著提高。     

聚类分析在短期风电功率预测模型中的应用

风电场安全稳定运行的关键是对风电利用率进行精准预测.针对短期功率预测方法模型等技术对输入数据处理有待于改善的情况,根据风速和风电功率的日相似性,在风电场输出功率的短期预测技术上,提出了将聚类分析方法应用于神经网络预测风电功率模型.所提出的数据处理方法及结合神经网络模型已形成软件产品,结合数据聚类处理方法的风电预测模型,与传统持续模型相比,功率预测误差大大减少,预测精度明显提高,同时验证了方法的有效性.     

基于经验模式分解的风电输出功率预测

风电具有波动性和间歇性,大规模风电接入系统对电网的安全稳定运行带来了严峻挑战。为此,在分析功率曲面建模方法、风速预测方法和风电输出功率预测方法的基础上,以风电场为对象,建立了基于经验模式分解(EMD)的风电输出功率预测模型。应用实例的对比研究表明,提出的EMD-BP差值预测模型更适应实际风速情况,提高了风速输出功率的预测精度。     

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。     

风电场短期功率预测

风电场输出功率的预测对大规模风电接入电力系统运行有非常重要的意义。针对现有各种预测方法预测精度不高的问题,提出了一种基于相关向量机-马尔科夫链的风电短期功率预测方法。首先,运用相关向量机原理,得到原始预测模型;之后,使用马尔科夫链原理对误差进行修正,结合最小二乘法得到风电场短期功率预测-误差修正模型;最后,将该方法用于实际风电场的短期功率预测,其平均相对误差达到7.2%。研究结果表明:所提的预测方法能够满足电力系统调度对风电场短期功率预测的要求。     

地区电网风电场功率超短期预测方法

针对某地区电网并入多个风电场的情况,论证分析了所有风电场总输出功率变化较单一风电场输出功率变化具有更好的规律性,引入风电总量与风电分配因子这2个概念,提出超短期风电场功率预测模型和求解方法.主要内容包括:风电总量、风电分配因子以及它们之间的随机关联规律;最小二乘支持向量机和卡尔曼滤波技术对风电总量和风电分配因子的自适应动态预测算法;基于关联规律间接实现风电场输出功率的超短期预测.通过实例验证,表明所提出的预测方法无论是在风电场功率预测精度、还是在预测误差分布范围方面都有明显改进.     

基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型

为了合理利用风电,提高电网的稳定性、经济性,需要对风电的输出功率进行有效预测;然而,单一模型的预测结果精度不高。提出一种基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型。该模型采用Kalman滤波算法对风速进行滤波处理,通过相空间重构来确定风速序列的延时时间和嵌入维数;并利用Elman神经网络建立了预测模型。仿真实验表明,该模型预测精度有了明显提高。     

一种短期风电功率组合预测方法

为提高风电功率的短期预测精度,对组合预测进行了研究。选用差分自回归移动平均模型(ARIMA)与埃尔曼神经网络(Elman)模型,建立新的组合预测模型。首先,用单一的ARIMA预测模型和Elman预测模型对风电功率进行预测;然后,在单独模型预测的结果上,再次利用Elman神经网络进行预测;最后,将组合预测的结果与两单一模型的预测结果进行分析比较。结果表明,组合预测模型比各自单一预测模型有更高的预测精度。