基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。     

基于VMD-IPSO-LSSVM的短期风速预测

为了降低风速数据序列的波动性,提高短期风速预测精度,对风速数据序列进行变分模态分解(variational modal decomposition, VMD),采用改进粒子群(improved particle swarm optimization, IPSO)算法对最小二乘支持向量机(least squares support vector machines, LSSVM)进行参数寻优,建立基于VMD-IPSO-LSSVM的短期风速预测模型。利用VMD分解获得8个模态分量,对各分量分解建立IPSO-LSSVM预测模型,得到各分量预测值,将各分量预测值叠加获得风速预测值。采用实际风速数据进行算例分析,结果表明,VMD-IPSO-LSSVM模型对风速预测结果的平均相对误差为3.34%,均方根误差为0.239,预测精度高于其他短期风速预测模型,验证了VMD-IPSO-LSSVM模型在短期风速预测方面的准确性和优越性。     

基于Fast ICA和改进LSSVM的短期风速预测

对风速的准确预测能有效减轻风电场对整个电网的不利影响,同时能提高风电场在电力市场中的竞争能力。首先提出一种基于快速独立分量分析算法和改进最小二乘支持向量机的风速预测模型,对运用fast ICA算法对风速时间序列进行多层分解,得到一系列的独立分量;然后运用改进最小二乘支持向量机模型对分解后的各独立分量风速进行预测;最后对各预测结果进行叠加作为最终的预测风速。算例结果表明,该预测模型能准确进行短期风速的预测。     

基于分量稀疏贝叶斯学习的风电场输出功率概率预测方法

概率预测有别于期望值预测,能够提供被预测量的概率分布信息。文中提出一种基于分量稀疏贝叶斯学习的风电场短期输出功率概率预测方法。该方法采用分量预测方式,应用离散正交小波变换Mallat算法将风电场输出功率分解为体现输出功率变化主趋势的趋势分量和平稳度较好的扰动分量。利用风速与风电场输出功率趋势上较强的相关性,结合趋势分量的自相关性对趋势分量进行预测;同时,根据扰动分量近似平稳的特点,利用其自身的自相关性对扰动分量进行预测。文中基于稀疏贝叶斯学习理论构建预测模型,实现对趋势分量、扰动分量以及原风电场输出功率的概率预测,并通过构建多学习机实现风电场输出功率的多步预测。算例分析部分通过对某处风电场7 200次的连续预测,验证了所提出方法的有效性。     

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.     

基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法

针对风电场风速时序的不可控特性以及短期风速预测精度低的问题,提出基于改进快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和Elman-Adaboost的组合预测模型。首先,采用加余弦函数改进FEEMD方法将风速数据分解为相对平稳的本征模态函数分量;然后,运用样本熵(sampleentropy,SE)计算分量复杂度并按复杂度对分量进行重构;最后,基于Elman-Adaboost方法的单步直接预测方法来预测重构后分量下一天24 h的风速值,将所有分量的预测叠加得到最终的预测结果。选择预测点时间前24、48和72 h风速数据作为神经网络的输入维数,比较不同维数对预测精度的影响。实验证明,改进FEEMD-SE-Elman-Adaboost组合预测模型可以有效地提高风电场短期预测的精度。     

基于奇异谱分析-模糊信息粒化和极限学习机的风速多步区间预测

不同于风速点预测,风速区间预测能描述风速的随机性。因此,提出一种基于奇异谱分析-模糊信息粒化和极限学习机组成的风速多步区间预测模型。该方法采用奇异谱分析提取原始数据的趋势成分、振荡成分和噪声成分,并对所有分量进行重构,然后利用模糊信息粒化对重构后的噪声成分进行有效挖掘,提取每个窗口最小值、平均值和最大值。对各分量采用极限学习机分别建立预测模型,为了提高预测精度、缩小区间范围,采用改进布谷鸟算法对预测模型的参数进行优化。最后将所有分量的预测结果进行叠加,实现风速区间预测。以风电场实际数据为算例,结果表明所提方法具有较高的预测精度和可靠的多步区间预测,且运行效率高,能有效跟踪风速变化。     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的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力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

小时风速的向量自回归模型及应用

短期风速预测对并网风力发电系统的运行有重要意义。该文简述了短期风速预测的价值和方法,分析了小时风速的日变化特点。在此基础上,提出将单变量小时风速时间序列向量化,以消除日周期非平稳,进而建立了向量自回归(vector autoregression, VAR)模型,并用于小时风速预测。算例表明,正常天气条件下,该模型可以预测提前72 h的短期风速。该文提出的方法和模型具有一定的普适性,可用于其它领域的时间序列建模与预测。     

风电场短期风速的改进Volterra自适应预测法

欲提高含大量风电机组电网的安全稳定性及降低其运行成本,高精度的短期风速预测是一种有效的手段。首先在对具有混沌属性的风速时间序列进行相空间重构的基础之上,使用一种混沌时间序列的Voherra自适应滤波预测法对风速进行了预测;然后针对该方法滤波系数不易收敛及预测结果存在时延的缺点,改进了自适应算法的系数更新方法,从而加快了收敛并提高了预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于小波-时间序列组合模型的风电功率预测

随着风电规模的不断扩大,及时准确地对风电场功率输出进行预测具有重要意义。但由于风速具有不确定性,风电功率难以掌控。通过分析风速与功率之间的变化趋势,建立基于风速的功率计算的数学模型,然后以风速预测为突破口,基于小波分解模型将历史无规律风速进行模式分解。对分解出来的历史数列进行分析,采用合适的预测模型分别预测,还原为原始数列得到预测风速,最后计算得到预测风电功率。通过某地的实例计算,证明了采用小波分解与时间序列模型进行风电功率预测的准确性与可靠性。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

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EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。