基于MIV-PCA的超短期风电功率预测模型优化

为解决基于动态神经网络的超短期风电功率预测方法中预测模型输入变量多、模型复杂等问题,文中将平均影响值(MIV)和主元分析(PCA)方法相结合,对预测模型进行了优化。MIV方法表征了输入变量对输出的影响程度,可筛选出对预测输出具有最大影响的输入变量,简化预测模型,但变量的信息利用率不高。PCA法从剩余的输入变量中提取出主元,通过增加少量的主元变量提高信息利用率,弥补MIV方法的不足。数据分析及实验结果表明,通过MIV和PCA法优化的预测模型的输入变量能在获得较高的累计贡献率的同时降低模型复杂度,保留原系统的重要信息,并降低模型引入噪声的风险,使得风电功率预测精度得到显著提高。     

基于主成分—遗传神经网络的短期风电功率预测

短期风电功率预测对接入大量风电的电力系统运行具有重要的意义,建立了基于主成分分析与遗传神经网络相结合的短期风电功率预测模型。该模型先对原始输入数据进行主成分分析,分析结果作为神经网络预测模型的输入;为克服BP神经网络训练时间长、易陷入局部极小值的的缺陷,采用遗传算法优化神经网络的初始权值和阈值,并使用Levenberg-Marquardt算法对网络权值和阈值进行细化训练。经某风电场实际数据验证,与GA神经网络模型、PCA-LM神经网络模型相比,预测精度明显提高,为短期风电功率预测提供了一种有效的方法。     

基于小波-神经网络的短期风电功率预测研究

为了提高风电功率预测精度,降低电网调度的难度,通过对影响风电功率预测的诸多因素如风速、风向、风电功率、温度等进行分析,进而对风电功率的预测方法进行研究和探讨,提出了基于多变量的小波-神经网络模型的短期风电功率预测方法。通过单变量和多变量的风电功率预测的比较研究,证明BP神经网络预测与小波-神经网络预测这两种方法的预测精度不同。而且,对于同一种方法,输入变量的多少也对预测精度产生影响。通过最终的比较研究得出,采用基于多变量输入的小波-神经网络开展风电功率预测可提高预测精度。     

基于PSO-ICA-BP神经网络的短期风电功率预测

针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSO-ICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。     

计及历史数据熵关联信息挖掘的短期风电功率预测

对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。     

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%。     

基于SSA-BiLSTM-AM的短期风电功率预测

风电功率的准确预测可以有效地减少并网波动。现有的风电功率预测模型存在输入特征过多、超参数选择难、时序过长易丢失重要信息等问题。为此,提出了一种麻雀搜索算法(SSA)优化双向长短时记忆(BiLSTM)加注意力机制(AM)的短期风电功率融合预测模型。首先,SSA对BiLSTM神经网络的节点数、学习率和训练次数等超参数进行寻优,确认最佳参数;然后,引入AM对BiLSTM的输入特征分配不同权重,强化关键特征;最后,应用所提模型对新疆210 MW风电场的风电功率进行预测,并与其他模型的预测结果对比。结果表明,SSA-BiLSTM-AM预测模型的均方根误差(RMSE)为5.411 4、平均绝对误差(MAE)为3.674 9,显著优于其他模型的预测精度,证明了SSA优化算法和AM能够有效提高风电机组的短期功率预测精度。     

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。     

基于多位置NWP和门控循环单元的风电功率超短期预测

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响。为充分利用NWP信息,考虑多个风电场的空间相关性,提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型。首先,通过随机森林分析多位置NWP信息对风电场发电功率的重要程度,利用累积贡献率提取NWP中的有效信息,将加权的NWP信息与历史功率数据作为预测模型的输入变量。然后,选取改进的灰狼寻优算法对门控循环单元的参数进行优化,建立多变量时间序列预测模型,进行风电场发电功率的超短期预测。最后,选取中国某风电场的实测数据进行算例分析,验证了所提方法的有效性和可行性。     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

基于独立稀疏SAE的多风电场超短期功率预测

为应对多风电场超短期预测模型中输入和输出变量众多、变量间的时空关系复杂等问题,提出一种基于独立稀疏堆叠自编码器的多风电场超短期功率预测方法。该方法基于降维编码、特征预测和重构解码相结合的预测框架,首先设计了一种独立稀疏双层堆叠自编码器提取多维风电功率的空间独立特征,并将其作为预测对象分别预测,最后将特征预测的结果重构解码,获得多风电场功率的预测结果。对实际算例的验证结果表明,独立稀疏堆叠自编码器能增强提取特征的可靠性、独立性和合理性,从而有效提高多风电场超短期功率预测的精度和效率。     

基于改进长期循环卷积神经网络的海上风电功率预测

准确的风电功率预测对海上风电安全并网具有重要意义。不同于陆地,海上具有气象因素复杂、风电出力波动显著等特点,使得海上风电功率预测精度难以满足工程实际要求。针对以上问题,文中提出一种基于改进长期循环卷积神经网络(LRCN)的预测模型,用于超短期海上风电功率预测。首先,采用改进LRCN进行初步功率预测,即构建多卷积通道分别提取不同层次变量的时序特征,并通过具有前瞻性的改进Adam优化器提升网络收敛效果。其次,利用摇摆窗算法与波动特征聚类识别预测时段的出力波动类型。再次,针对不同的波动类型建立对应的误差修正模型,并输入经Xgboost算法筛选出的强相关特征因子,实现误差修正。最后,采用实际海上风电场数据进行实验,其结果表明所提方法能够有效预测超短期海上风电功率,且预测精度高于多种传统预测模型。     

基于二层分解的PSO-LSTM模型风电功率超短期预测

为提升风电功率预测精度,提出基于二层分解技术和粒子群优化长短期记忆（PSO-LSTM）神经网络组合的超短期风电功率预测模型。对风电功率原始数据,采用快速集合经验模态分解（FEEMD）方法将其分解为一系列本征模态函数（IMF）分量和余项,针对高频分量采用变分模态分解（VMD）进行二层分解。运用样本熵来解决分量个数过多、计算量繁杂的问题。通过偏自相关函数(PACF)筛选出与预测值关联程度高的元素确定输入维数。最后,选用PSO来优化LSTM相关参数建立预测模型并叠加获得最终值。试验结果表明,该组合模型有效提高了预测精度。     

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。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义。为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法。结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神经网络和CNN(convolutional neural network)神经网络融合的预测模型。然后采用BP-ANN提取数值类型和类别类型数据的特征向量,与CNN提取图像型数据的特征向量进行融合,通过多层BP-ANN神经网络进行超短期母线负荷的预测。最后,采用我国某地区220kV变电站高压侧的有功负荷历史数据和该地区天气信息进行实例分析。实验结果分析表明,所提方法能够充分有效利用多源数据和模型融合的特点进行超短期母线负荷预测,相较于BP-ANN和CNN单独模型预测具有更高的负荷预测精度。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于GA优化SVM的风电功率的超短期预测

研究风电功率预测技术对于减轻其输出电能的随机性对电力系统的影响具有重要意义。首先结合风电监控系统数据库中的历史功率数据和环境参数形成样本数据,同时采用遗传算法优化该模型的核函数类型、核函数参数及错误惩罚因子等参数,建立了GA-SVM模型,提高了模型参数组合优化选择的效率和预测精度。最后结合实例验证,并与标准SVM方法和BP神经网络方法比较。预测效果表明:所提出的GA-SVM优化模型在超短期风电功率预测上具有更优的学习能力和泛化能力。