自适应提升及预测误差修正的风电功率超短期预测

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优化ELM权值和阈值提高模型的泛化性,同时引入AdaBoost提高预测模型的精确度和稳定性;最后,在学习历史训练误差的基础上提出修正预测值的策略,进一步提高预测精度。算例结果验证了所提方法的有效性。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variational mode decomposition, VMD)和门控循环单元(gated recurrent unit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

基于CEEMDAN-BO-LSTNet的风电出力短期预测

为提高风电出力预测精度,提出一种自适应噪声完备集合经验模态分解(CEEMDAN)-贝叶斯优化(BO)-长短期时序网络(LSTNet)对风电机组输出功率进行短期预测。清洗数据,采用CEEMDAN对清洗后的原始功率数据进行分解,得到若干个子序列;将分解得到的子序列输入至LSTNet模型,通过对LSTNet的超参数使用BO算法优化,输出子序列的预测结果;将各序列的预测结果进行叠加重构得到最终预测结果。通过对渭南某风电场机组实测数据进行实例仿真,设置消融分析和对比分析,结果表明文中所提方法相较于其他模型,预测精度得到有效提升。     

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。     

基于经验模式分解和混沌相空间重构的风电功率短期预测

风电场发电功率的短期预测对并网风力发电系统的安全与稳定具有重要意义。根据风电功率时间序列非平稳、非周期的特点,文中运用经验模式分解理论将风电功率时间序列分解为随机分量和趋势分量,对随机分量采用径向基函数神经网络进行混沌预测;趋势分量采用最小二乘支持向量机进行混沌预测,拟合各分量的预测值得到最终的预测结果。以云南某风电场数据对所提出的模型进行验证,证明了该预测模型比传统人工神经网络预测模型具有更高的预测精度,可为风电功率预测提供参考。     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

考虑功率数据相关性的风电功率超短期预测

通过对风电场内部不同区域风电功率序列的相关性进行分析,确定风电机组的空间差异性对风电功率预测产生影响,提出一种提高风电功率超短期预测效果的分层叠加预测方法。基于东北某风电场实测数据的算例分析表明,相同的风电功率预测方法,使用分层叠加法预测比整场预测误差小,更能提高风电功率超短期预测效果。     

基于EMD-SA-SVR的超短期风电功率预测研究

针对风电功率的高随机和强波动性,提出一种基于EMD-SA-SVR的风电功率超短期预测方法。采用经验模态分解(Empirical Mode Decomposition, EMD)提取风电功率序列的不同特征。将原始序列分解为多个更具规律的模态,针对每个模态序列建立各自的预测模型,以消除不同特征之间的相互影响。鉴于支持向量回归(Support Vector Regression, SVR)好的泛化能力,研究建立基于SVR的各模态预测模型。进一步采用模拟退火(Simulated Annealing,SA)算法对SVR参数进行优化以解决模型选择的多极值复杂非线性问题,获得各模态分量的最优模型,进而汇总各模态分量的结果得到风电功率预测值。在某风电场历史数据上的对比分析表明,EMD-SA-SVR模型可以有效提高风电功率超短期预测精度。     

基于信息熵的历史数据选取对超短期风电功率预测精度影响研究

风电功率超短期预测通常依据历史数据滚动预测得到,因此,历史数据的时间分辨率对预测结果的准确性有显著影响。首先给出"预测信息熵"指标,预测信息熵兼顾不同时间分辨率下数据序列的信息含量和超短期预测时预测步数2个因素,表征不同时间分辨率的功率序列在超短期风电功率预测时的精确预测能力,最后提出基于"预测信息熵"选择超短期风电功率预测时应采取的时间分辨率的方法。以某风电场实测数据为例,采用最小二乘支持向量机模型进行风电功率超短期预测,预测过程中历史数据分辨率的选取采用了所提的基于预测信息熵的选取方法,预测结果验证了所提方法的有效性。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。