短期风速-风电功率预测方法

传统灰色风速预测模型累加处理时不能预测突变风速,使风电功率预测误差过大.采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3％.再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型.应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果可信度大于93％.     

基于最优有效度的电力系统可靠性原始参数的线性组合预测模型

针对电力系统可靠性原始参数缺乏和开发可靠性原始参数小样本的需要,提出了电力系统可靠性原始参数的线性组合预测模型.为了提高预测精度,分别应用灰色优化模型和Verhulst模型等改进模型进行可靠性原始参数的预测.与此同时,建立以有效度为目标函数的最优组合预测模型,并用简化的计算公式得到权系数的最优近似解,将预测值进行线性组合.基于该文所开发的预测模型的预测结果表明,组合预测模型的预测结果优于单一模型的预测结果.     

基于D-S证据理论的短期负荷预测模型融合

在各种预测模型融合时确定各种模型的权重直接影响到预测精度.对3种不同的神经网络负荷预测模型分别建立了权重提取和权重融合的数学模型,并运用证据理论对3种预测模型的权重进行融合.通过对历史预测数据的分析,提取了证据理论的融合样本,并将信度函数的多重融合结果作为负荷预测模型权重,得到权重融合后待预测日的负荷预测结果.将权重融合模型的预测结果与单一模型的预测结果进行比较,结果表明权重融合后的模型具有更高的预测精度,提高了负荷预测的准确性.     

基于最优加权法的煤炭市场价格组合预测模型

建立了基于自回归移动平均、灰色预测和BP神经网络三种单项预测方法的最优加权法组合预测模型.通过预测误差评价指标分析,最优加权法组合预测能有效降低预测误差,预测结果表明了预测模型的有效性.     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于线性预测技术的营销模型研究

介绍了基于线性预测原理的一种市场营销预测模型.指出了在预测模型分析前要对数据进行去噪和均值化的预处理;预测结果和实际数据偏离较大时须对模型修正改进;及时去掉老数据、补充新信息,新建的预测模型更能反映销售量的趋势特征.实验结果表明:参数N=30、P=6时得到的模型预测误差最小;线性预测模型适合进行短期的预测.     

稳健估计时间序列法在风功率预测中的应用研究

为了解决风力发电不稳定问题,提出风功率预测模型,通过预测风功率数据变化情况,为风力发电调控操作提供参考依据.其中,风功率预测模型建立在时间序列基础上,引入高阶AR模型进行设计.应用测量结果表明,稳健估计预测模型数列还原性能较高,预测误差在10％ 以下,符合风功率预测要求.     

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段.通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型.分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法.针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度.     

基于改进的预测有效度的中长期负荷组合预测

变权组合预测是负荷预测研究领域的热点,预测的关键是确定加权系数的原则.引入可信赖域α,改进了预测精度矩阵,推导了单个预测和组合预测的k阶改进预测有效度.通过拟合样本因子β,区分了样本区和预测区的加权系数.给出了基于一阶和二阶改进预测有效度最优级原则的中长期负荷组合预测模型.实际算例说明了预测模型的有效性.     

GM(1,2)短期现货电价灰色预测模型

在电力市场中,电价预测对市场参与者具有非常重要的意义.该文检验了GM(1,2)灰色模型在现货电价预测中的应用效果.在对GM(1,2)模型进行修正的基础上,分别建立了计及负荷因子的预测模型和计及预测时刻前一小时电价的预测模型,并对模型进行了等维新息处理.对美国PJM电力市场的峰荷时段、腰荷时段和低谷时段的LMP实时电价分别进行了预测.预测结果表明,计及预测时刻前一小时电价的预测模型具有较好的预测效果.