首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到19条相似文献,搜索用时 128 毫秒
1.
风电占比的不断增加对电力系统安全稳定运行带来挑战,快速、准确的风电功率预测方法至关重要。提出了一种ES-GRU-LSTM模型对风电场群功率进行预测,通过指数平滑法(ES)处理原始数据填补缺失与异常值,提高了功率数据集的可信度和平滑性,并引入训练速度快、结构较简单的门控循环单元(GRU)对预测性能好、准确性较高的长短期记忆(LSTM)神经网络进行改进,比较ES-GRU-LSTM、GRU、LSTM的预测性能和预测时间。仿真结果表明,ES-GRU-LSTM同时改善了预测精度和预测速度。  相似文献   

2.
短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。  相似文献   

3.
为了解决传统指数平滑法在滤波后的数据与原始数据之间存在一个因累积误差而导致右偏移的问题,提出一种基于平衡指数平滑的交通流数据预测方法。该方法对传感器采集的异常数据和缺失数据进行处理,对于超过阈值的数据,则用前一时刻数据取代该数据;对于缺失数据,则插人前后时刻的均值。对处理过的数据采用平衡指数平滑法进行滤波。通过三次指数平滑预测模型对数据进行预测。实验仿真表明,该方法能有效消除传统指数平滑的右偏移误差,提高数据预测的准确性。  相似文献   

4.
可再生能源的概率预测被广泛认为是电力系统优化的必要条件.提出一种在大量地点进行超短期的参数化风电概率预测的时空方法,其基于logit-normal的参数框架,将多个风电场的位置参数建模为一个向量值时空过程,并采用改进的指数平滑法跟踪尺度参数,采用一种先进的稀疏向量自回归模型拟合技术,对定位参数进行建模,并与传统的向量自回归模型相对比.以澳大利亚22个风电场的每5分钟平均风力发电数据集为例进行了测试,验证了该算法的有效性.  相似文献   

5.
为提高短期电力负荷预测精度,提出一种二次指数平滑多目标组合模型ES-BiLSTM-LSTM预测方法。通过获取负荷目标预测值和残差目标预测值,实现多目标负荷预测;利用Pearson相关系数,选取与电力负荷相关性较高的影响因素;采用双向长短期记忆神经网络(BiLSTM)和长短期记忆神经网络(LSTM)串行学习负荷数据的时序性特征和周期性特征;利用二次指数平滑法平滑处理负荷数据,获得残差项,通过LSTM模型训练和迭代,提取残差数据的波动性特征;将负荷预测值与残差预测值融合得到修正预测值。实验结果表明,该方法在MAE、MSE和RMSE上,对比3种负荷预测模型均有提升。  相似文献   

6.
正确有效地预测服务器性能负载,是计算机系统性能管理系统的一个重要环节。通常,传统的预测方法有最小二乘、二次指数平滑法等,但这些模型往往不能很好地捕捉服务器性能负载数据的时序关系。利用基于局部回归的递归神经网络(RNN),采用改进的RPROP学习算法进行服务器性能负载的预测。并与传统的二次指数平滑法相比较,实验结果证明,RNN得到的预测结果要比二次指数平滑法高出5个百分点以上,并且有较强的预测能力,可以预测较长周期的数据。  相似文献   

7.
针对大量历史风电数据中存在的异常数据以及风电数据采集时受到噪声污染的问题,采用曲线拟合数据挖掘方法修改历史数据中的异常数据提高了数据质量,小波变换法消除原始信号中的噪声降低了数据的波动性.根据经数据挖掘与小波去噪处理的风电数据建立自动回归滑动平均(ARMA)预测模型.以国内西北某风电场的实测风电数据进行仿真分析,与传统预测方法对比.仿真结果表明,所提预测方法有效地提高了短期风电功率预测精度.  相似文献   

8.
对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力。文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据。提出并实现了"自适应逻辑网络"(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段。现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性。  相似文献   

9.
风电场风功率预测系统研究   总被引:1,自引:0,他引:1  
对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力.文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据.提出并实现了“自适应逻辑网络”(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段.现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性.  相似文献   

10.
短时交通流预测是智能交通系统研究的一个重要问题.由于指数平滑法在对实测数据进行拟合时,预测精度不高,本文针对这一问题将指数平滑理论与马尔可夫链相结合,提出了指数平滑马尔可夫短时交通流量预测方法,借助于马尔可夫链来解决利用指数平滑法预测中存在的问题来缩小预测区间、提高预计算各状态加权中心及状态转移概率矩阵,以此来提高未来状态预测精度.采用实测交通流量进行仿真实验,结果表明,本文方法比常规指数平滑法具有更高的准确性,而且具有较强的适应性.  相似文献   

11.
风力发电是当今新能源领域最具有前景的发展方向,而准确有效地预测风电场的输出功率对于风电场的顺利并网运行具有重要的意义。从实际的风力发电场中获得了有关风速、风向以及实际输出功率等历史数据,建立了基于GMDH神经网络的风电短期功率预测模型并将其运用于实际的风电场功率短期预测当中。最后,通过将预测结果和实际输出功率比较,表明GMDH方法在风电功率预测中具有较高的预测精度。  相似文献   

12.
近些年,风能成为世界上装机容量较大的可再生能源之一,风力发电的并网容量不断增加,给电网稳定运行带来不小挑战,风力输出功率预测精度的提升能够有效地减轻风电并网时对电网的冲击,同时为电网的调度和安全运营提供保障。为进一步提升的风电功率预测精度,借鉴分形理论并将其融合到风电功率预测模型中,同时结合自定义K最近邻算法(K-nearest-neighbor,KNN)。采用分形理论的基本思想,考虑基准功率曲线问题和气象特征值,利用分形插值可有效地获取相邻样本的局部信息,从而使得插值曲线更好地保留原采样信息的大部分特征,最后使用多评价指标维度对预测效果进行评估。以某风电场实测数据为例,与梯度提升决策树、随机森林、支持向量机预测模型进行比较,验证了提出的预测算法的有效性。  相似文献   

13.
杜雪  李军 《测控技术》2018,37(3):14-17
风电是近年来发展迅速的绿色能源,因此对短期风电功率的预测就显得尤为重要.提出了基于高斯过程(Gaussian Processes,GP)的概率预测方法,详细说明了该方法的短期风电功率概率预测原理并建立了数学模型.为了使短期风电功率概率预测精度有一个良好的对比性分析,将基于不同的单一协方差函数以及组合协方差函数的GP方法用于预测中,以国外某风电场2006年6月份的历史风电功率实测数据进行算例实例分析,并与SVM方法在同等条件下进行比较.实验结果表明,GP方法均可以给出较好的预测效果,优于SVM的预测结果,且能给出预测输出的置信水平.若考虑具有自动相关确定(Automatic Relevance Determination,ARD)协方差函数或具有ARD特性的组合协方差函数时,GP方法的预测效果最好.  相似文献   

14.
针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。  相似文献   

15.
风电功率具有波动性,不论对于发电厂抑或是电网,准确地预测风电功率具有重要意义。本文研究了小波变换的原理和方法及BP神经网络的原理和算法,并建立了一种结合小波分解和BP神经网络的风电功率预测方法。本文的方法首先对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后再进行预测。最后,仿真结果验证了本文方法的有效性。  相似文献   

16.
风功率预测是实现风电场监控及信息化管理的重要基础,风功率超短期预测常用于平衡负荷、优化调度,对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多,风功率时序信号往往具有非平稳性和随机性。循环神经网络(RNN)适用于时间序列任务,但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰,提高风功率预测精度,提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解(EMD)以重构数据张量,然后用卷积层和门控循环单元(GRU)层分别提取局部特征和趋势特征,最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明,与差分整合移动平均自回归(ARIMA)模型相比,所提方法在预测精度方面有将近30%的提升,验证了所提方法的有效性。  相似文献   

17.
Transfer learning (TL) in deep neural networks is gaining importance because, in most of the applications, the labeling of data is costly and time consuming. Additionally, TL also provides an effective weight initialization strategy for deep neural networks. This paper introduces the idea of adaptive TL in deep neural networks (ATL‐DNN) for wind power prediction. Specifically, we show in case of wind power prediction that adaptive TL of the deep neural networks system can be adaptively modified as regards training on a different wind farm is concerned. The proposed ATL‐DNN technique is tested for short‐term wind power prediction, where continuously arriving information has to be exploited. Adaptive TL not only helps in providing good weight initialization, but also in utilizing the incoming data for effective learning. Additionally, the proposed ATL‐DNN technique is shown to transfer knowledge between different task domains (wind power to wind speed prediction) and from one region to another region. The simulation results show that the proposed ATL‐DNN technique achieves average values of 0.0637, 0.0986, and 0.0984 for the mean absolute error, root mean squared error, and standard deviation error, respectively.  相似文献   

18.
杨宇晴  张怡 《控制工程》2022,29(1):10-17
为了提高模型预测风功率的准确率,提出了一种基于最大相关-最小冗余筛选、变分模态分解、注意力机制和长短期记忆神经网络的短期风功率预测方法。首先使用变分模态分解算法将风功率序列分解成几个中心频率不同的分量;再对各个分量结合最大相关-最小冗余筛选出的气象特征分别建立注意力机制和长短期记忆混合预测模型;最后将各个分量的预测结果叠加,得到最终的风功率。实际算例表明,与其他几种模型对比,所提预测方法准确率明显提升。  相似文献   

19.
当前,风力发电量占比不断增加,对风电预测的要求越来越高,但由于风能本身存在的间歇性和不确定性等问题,风电预测精度并不能达到理想的效果.为了降低预测模型复杂性,并提高风电预测精准度,本文提出了一种基于差分进化和规则约简的二型模糊方法.该模型给出了一种剪枝策略进行二型模糊规则的约简,在此基础上,采用差分进化算法进行二型模糊系统全部参数的优化学习.最后,通过与一型模糊方法和支持向量回归方法进行了对比,证明了文中所提出的模型具有更好的预测精度.  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号