三种主流风电场功率预测算法适应性对比研究

风电的间歇性和波动性给风电功率预测带来了较大难度,而地形和气象上的复杂性使单一功率预测算法很难适应不同的风电场。以3种主流风电功率预测算法为研究对象进行比较研究,分别是遗传算法优化的BP神经网络(GA-BP)、径向基函数神经网络(RBF)和支持向量机(SVM),帮助研究人员针对不同风电场的地形和气候特征选择最适合的预测模型,从而提高短期功率预测精度。以中国地形和气候特征不同的3个风电场为例,从预测精度、计算效率、模型适应性3个角度对比分析3种模型在不同气候、不同地形条件下的适应性。结果表明,RBF和SVM预测效果整体优于GA-BP模型,但在不同季节、不同地形条件下3种模型各具优势,以月份为单位建立功率预测模型,可以提高短期功率预测精度。     

一种变权重风电功率最优组合预测模型

针对单项预测方法的局限性,利用改进的基于灰色关联度的IOWGA算子组合预测模型,建立了一种风电功率最优组合预测模型,并通过改进多种群遗传算法(MPGA)对该模型进行优化。采用RBF神经网络法、相似日法和支持向量机(SVM)法对预测日和预测日前一日的风电功率分别进行预测,通过提出的最优组合预测模型及优化算法对预测日的24 h风电功率进行组合预测。根据云南某风电场的实测数据,进行了实例分析。结果表明,风电功率最优组合预测模型能够有效提高风电功率预测精度,具有较强的实用性。     

基于神经网络平均影响值的超短期风电功率预测

针对动态神经网络风电功率预测模型输入变量较多、模型复杂的问题,将神经网络和平均影响值方法相结合,提出了一种基于神经网络平均影响值的超短期风电功率预测方法。此方法综合考虑了各输入变量对输出变量(风电预测功率)的外部贡献率和内部贡献率,筛选出了对输出变量贡献率最大的输入变量,建立了一个优化的神经网络超短期风电功率预测模型。实验结果表明,所提模型降低了预测模型的复杂度,减少了测量噪声对预测精度的影响,得到了较好的风电功率预测结果。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于RBF神经元网络的风电功率短期预测

准确地预测风力发电的输出功率对电力系统调度、电力系统稳定性和风电场运行都具有重要意义.从实际运行的风电场获得了相关风速、环境温度和风电功率的历史数据,建立了基于径向基函数( Radial Basis Function,RBF)神经元网络的短期风电功率预测模型.运用该模型进行了1 h后的风电输出功率预测,预测误差在12%附近.通过将预测结果和实际风电输出功率比较,表明该方法预测精度较高且比较稳定.     

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。     

CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。     

中国短期风电功率预测技术现状与误差分析

风电功率预测是风电调度运行的基础,对提高中国风电消纳水平具有重要作用。以短期风电功率预测为研究对象,针对短期风电功率预测涉及的主要技术环节,分别梳理了国内外的研究历程,对比分析了国内外短期功率预测技术的优势。在此基础上,介绍了中国风电功率预测系统的建设情况和实际应用中的预测误差情况,从时间、空间、概率分布3个维度分析了误差的特点,从输入数据、功率预测模型2个环节分析了误差产生原因,并总结了全球面临的共性问题和中国面临的特有问题。最后从应用角度出发,对中国短期风电功率预测精度提升策略给出了相关的建议。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率...     

基于ICEEMDAN-SE-MSGJO-LSTM-EC的短期风电功率预测

为了提高风电功率短期预测精度，本文提出了一种基于ICEEMDAN-SE-MSGJO-LSTM-EC模型的短期风电功率预测模型。首先，通过ICEEMDAN对原始风功率信号进行分解并通过样本熵计算熵值相近的分量相加重构。其次，建立MSGJO-LSTM预测模型，通过改进金豺优化算法（MSGJO）优化LSTM网络参数，对各模态分量进行预测。最后，通过对各模态分量预测结果进行误差修正（EC）并将所有模态预测结果相加得到最终预测结果。以新疆某风电场为例，采用本文所提预测模型进行仿真分析，试验结果表明本文基于ICEEMDAN-SE-MSGJO-LSTM-EC的预测模型预测精度更高。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。     

组合模型在风电场发电功率短期预测中的应用

随着风力发电的不断发展以及大规模风电场的建设,风电场发电功率的短期预测对于其发展起着至关重要的作用.提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合支持向量机模型,建立了组合预测模型.通过对结果进行对比分析,显示组合模型可以提高短期发电功率预测准确度,更好地满足实际现场需要.     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

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%。