基于小波分解和深度信念网络的短期风速预测

针对浅层学习模型对风速预测存在较大误差的缺陷,提出一种基于小波变换和深度信念网络(wavelet based deep belief netw ork,WDBN)的风速预测模型。首先利用小波变换将原始风速序列分解成不同的频率序列;然后针对各频率序列,根据逐层训练法则设计深度信念网络模型;最后采用小波反变换对不同频率序列重构,得出最终的风速预测结果。选用某风电场2013年1月和7月的数据对WDBN模型的风速预测进行仿真分析,并与自回归滑动平均法、反向传播神经网络法、Morlet小波神经网络法的预测结果进行对比,结果表明WDBN模型可以更好地学习风速所具有的非线性和非平稳特征,具有较高的预测精度。     

基于概率测度变换的风速时间序列建模方法

结合中国东北某实际风电场多年测风数据,分析风电场风速的统计特性,得出多年月内同一时刻风速同样服从Weibull分布.通过概率测度变换衔接实际风速序列与回归分析模型时间序列,基于自回归滑动平均(ARMA)模型,建立单一风电场风速时间序列模型;基于向量自回归(VAR)模型,给出了不同风电场间风速相关性考虑方法,分别给出了模拟风速时间序列的模型及参数.通过对比得知,实际风电场风速数据与模拟得到的风速时间序列具有较好的一致性,基于概率测度变换构建模拟风速时间序列是可行、有效的.     

风电场风速时间序列的多重分形去趋势波动分析

为探索风电场风速时间序列的标度不变性,采用多重分形去趋势波动分析方法(MF-DFA)对风速时间序列进行分析。通过计算广义Hurst指数、尺度函数、多重分形谱,细致量化了风速序列的局部和不同层次的波动奇异性,并考察了多重分形参数对风速预测的影响。研究结果表明:风速时间序列的波动具有长程相关性,且呈现显著多重分形特征;多重分形参数与风速变化存在一定的关联性,采用多重分形谱可在一定程度上对风速的变化趋势进行预测,且风速波动量越大,预测的结果越准确。     

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机（RVM）的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机（SVM）模型相比,RVM模型预测精度更高。     

夏季日峰荷特性分析与预测

在分析夏季日峰荷特性的基础上,利用小波变换对负荷序列进行分解和单支重构．得到不同频段上的近似序列和细节序列,用相关性分析方法分别分析其早晚高峰值与气温的关系,根据分析的结果,使用RBF神经网络建立相应模型预测,将各序列的预测值相加得到日峰荷值。根据江苏省实际负荷运行数据,对方法进行了检验。     

基于Mallat变换的时间序列模型在短期风速预测中的应用

短期风速预测对风电并网发电系统的运行具有重要的意义。为了提高风电场短期风速预测的精度,提出了基于Mallat变换的时间序列模型应用于风电场的短期风速预测。首先利用二进正交Mallat算法将随机非平稳原始风速序列进行多层分解和单层重构,分离出高频信息和低频信息;然后对分离出来的信息进行回归分析,分别建立ARMA-ARIMA模型进行预测;最后将预测结果进行叠加,得到原始序列的预测值。通过实例数据验证分析,结果表明该模型可以有效提高预测的精度,有一定的实用价值。     

基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测

从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

双自回归滑动平均模型风速预测研究

风电场中风速变化的随机性很强。对随机过程的建模和预测,自回归滑动平均模型（ARMA）具有较好的效果。以张家口尚义风电场实测风速构成时间序列样本,首先通过差分处理将原始风速序列变为平稳随机序列,并确定该序列的描述模型为ARMA（0,4）。用该模型对验证风速序列进行超前一步预测,得到较好的风速预测效果。为进一步提高预测的精度,对样本序列风速预测的残差再次采用ARMA模型进行建模和预测,并用预测残差来修正风速预测值。对实际风速序列进行预测和验证,结果表明本文提出的双ARMA模型预测可以显著提高风速预测准确性。     

基于Copula函数的多维时序风速相依模型及其在可靠性评估中的应用

风速模拟是对含风电的电力系统进行可靠性评估的先决条件.基于Copula函数和马尔科夫过程理论,提出了一种多维时序风速相依模型及该模型的两阶段蒙特卡洛模拟方法.该模型将多维相依关系分解为单维风速时间序列的短期相依关系和多个风速序列之间的同期相依关系.利用1阶连续状态马尔科夫链描述风速时间序列的变化规律;利用Copula函数捕捉风速序列中存在的短期相依关系和同期相依关系.通过实际风速数据对模型进行了验证,结果表明提出的模型能够较好保持风速序列的概率分布、自相关和互相关特性.将该模型应用到IEEE-RTS可靠性测试系统中,结果表明上述模型能够直接用于风电场可靠性效益评估.     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。     

Wind speed prediction using the hybrid model of wavelet decomposition and artificial bee colony algorithm-based relevance vector machine

In this paper, the hybrid model of wavelet decomposition and artificial bee colony algorithm-based relevance vector machine (WABCRVM) is presented for wind speed prediction. Here, wind speed can be regarded as a signal and decomposed into four decomposed signals with different frequency range, which can be obtained by 2-layer wavelet decomposition for wind speed data, and the prediction models of the four decomposed signals can be established by RVM with their each appropriate embedding dimension. Artificial bee colony algorithm (ABC) is used to select the appropriate kernel parameters of their RVM models. Thus, each decomposed signal’s RVM model of wind speed has appropriate embedding dimension and kernel parameter. Finally, the experimental results show that it is feasible for the proposed combination scheme to improve the prediction ability of RVM for wind speed.     

缺少气象数据场景下的超短期风电预测

本文对单个风力发电序列进行建模,并提出一种基于小波分解、特征提取和XGBoost+逻辑回归LR(logis?tic regression)且不依赖气象数据风力发电预测模型.提出利用小波分解提取原始风电序列的平均分量和高频分量;分别对平均分量和高频分量进行建模;为了提高模型对数据特征的敏感性,提出了一种将手动提取的特征和...     

基于WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

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。     

1.5MW双馈式变速恒频风电机组控制系统研究

变速恒频风电机组具有风能转换效率高、能吸收阵风能量、可以实现发电机和电力系统的柔性连接、“零冲击”并网、运行噪声小等优点,是国际上现代风力发电的主要发展方向之一。文章针对变速恒频风电机组的变速控制方式进行了研究,且以兆瓦级变速恒频风电机组为模型,对几种变速控制策略进行了仿真。并在对分析仿真结果的基础上,结合大型变速恒频风电机组的整机特点和控制方法的可行性,采用了功率闭环的变速控制策略;最后在自主研发的1．5MW变速恒频风电机组控制系统及变流器样机上,对变速运行的功率控制策略进行了大量实验和长期的现场试运行,验证了变速控制方式的可行性与实用性。     

基于小波-神经网络的风电功率短期预测

根据风速、风电功率变化特点,有效地预测风电功率,可降低电网调度的难度,利用小波多分辨分析法将风速序列信号分解到不同尺度上以反映不同变化频率的风速信号,分解后的风速信号经多层前向神经网络BP（Back Propagation）预测出其对应的风电功率,通过将基于小波-神经网络模型的预测结果与基于BP神经网络模型的预测结果进行比较研究,发现基于小波-神经网络的预测精度更高,效果更好,且预测精度与预测时间长短有关。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。