基于思维进化算法的风电功率预测研究

风电作为可再生能源,具有波动性、间歇性和随机性的特点,容易造成电力系统的不稳定。通过对风电功率进行预测,不仅可以保证电能质量,而且可以降低电力系统运行成本。传统的几种风电功率预测技术均存在一定的局限性。针对上述问题,提出一种基于思维进化算法的风电功率预测方法,并构建了预测模型。结合风电场风电实测数据进行仿真分析,结果表明所提出的方法可以有效可靠地进行风电功率预测,具有良好的工程应用前景。     

基于CNN-LSTM的短期风电功率预测

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。     

基于OS-ELM的风速修正及短期风电功率预测

随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。     

基于GMDH网络的风电功率短期预测

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。     

基于K-means和改进KNN算法的风电功率短期预测系统

为提高风电功率短期预测的准确性,针对KNN（K-Nearest Neighbor algorithm）算法在风电功率预测中的不足,提出了基于K-means和改进KNN算法的风电功率短期预测方法。利用K-means聚类方法确定风电历史样本的类别,对KNN算法中搜索相似历史样本集的方式进行了改进和优化,构建了预测模型,并采用C/S架构实现了预测系统的设计。该系统具有自修正功能,能够随着预测次数的增加,不断修正预测模型,逐渐降低预测的误差率。以吉林省某风电场历史数据为样本进行了仿真分析,结果显示该算法与其它算法相比平均绝对误差和均方根误差最大下降1.08%和0.48%,运算时间提升了5.45%,在风电功率超短期多步预测中具有推广应用价值。     

采用LSTM的风电功率预测方法研究

为实现风电功率的有效预测,本文提出了一种基于长短期记忆神经网络的风电功率预测方法,并建立了基于长短期记忆的风电功率预测模型。在公开的数据集中对该风电功率预测方法进行分析与验证。结果表明,该方法有较好的预测精度。     

基于LS-SVM和核密度估计的概率性风电功率预测

近年来风电在我国发展迅猛,但风速的不稳定性和间歇性,使风电功率也具有同样的性质,这样的电功率注入会带来电力系统运行的不稳定,因此,风电功率的预测对风电并网及使用具有重要意义。鉴于此,开展风电功率的短期预测研究,利用LS-SVM对风电功率进行建模并实现确定性的短期预测,在此基础上使用非参数统计法对确定性预测模型的预测误差进行拟合获得其密度函数,计算各功率段的置信区间以得到概率性预测结果,从而提高风电功率预测结果的实用性和可靠性。与常用的自回归滑动平均模型和BP神经网络模型进行对比实验,证明本方法的性能及优势。     

基于ES-GRU-LSTM的风电场群功率预测

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...     

基于高层气象大数据的风电场中长期风功率预测研究

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。     

风电场风功率预测系统研究

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。     

大规模风电并网后电力系统有功功率调度模型

为了保证大规模风电并网后电力系统能够稳定运行,解决现有有功功率调度模型存在的调度效果不佳、调度成本高的问题,对电力系统有功功率调度模型进行了优化设计。选取大规模风电功率场景作为有功功率的调度范围,在该场景内模拟风电并网过程,分析并网后对电力系统产生的影响。根据功率时序特征的提取结果和电力系统潮流计算结果,预测电力系统的有功功率值。通过功率分配、调度量计算、约束条件设置等步骤,完成大规模风电并网后电力系统的有功功率调度。通过实例应用分析实验得出结论：与传统调度模型相比,应用设计调度模型得到的有功功率输出结果更接近期望值,且调度成本降低了2.7万元。     

基于小波变换和BP神经网络的时序风电功率预测

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。     

风电场风功率预测系统研究

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.     

计及电压质量的风电场无功主动控制策略研究

随着风力发电的快速发展,电网中风电场并网的数量及规模越来越大,但风电场功率的波动特性会给电网的电压质量及无功控制造成很大的不利影响。为保证风电并网后的电压质量在合格范围内,在对风电机组有功出力特性及无功调节特性分析的基础上,提出了一种新的风电场无功主动分层控制策略。第一层根据负荷预测和风电功率预测获得下一时段的无功功率...     

基于高斯过程的短期风电功率概率预测

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.     

基于最小机会损失准则的超短期风电功率组合预测

为了对超短期风电功率进行准确的预测,本文提出一种基于最小机会损失准则的超短期风电功率组合预测方法。即首先对风电功率时间序列进行EEMD分解,对分解得到的每个IMF分量采用不同优化准则建立组合预测模型进行预测;然后采用最小机会损失准则筛选预测精度最优的模型进行预测;最后对每个IMF分量的预测值进行组合叠加得到预测结果。实验结果表明,与EEMD+ELM、EEMD+BP、EEMD+RBF和EEMD+SVM等预测方法相比较,本文所提出的方法能有效提高超短期风电功率的预测精度。     

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络（CNN）、互信息（mutual information,MI）法、长短时记忆网络（LSTM）、注意力机制（AT）和粒子群优化（PSO）的短期风电场预测模型（MI-CNN-ALSTM-PSO）。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、AT注意力机制、PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法（MI、AT和PSO）后的组合模型能进一步提高风电功率预测精度和稳定性。     

基于AM-LSTM的风电场内多点位风电功率预测

为了提高大型风电场的风电功率预测的准确性,构建基于多点位的注意力机制(AM)和长短期记忆神经网络(LSTM)混合预测模型.对于风电功率影响因素特征提取模块,利用属性简约方法,在保证不影响原有的分类效果上,去掉多余属性,大幅度提高预测效率.对于风电功率预测模块,首先,利用15分钟数据间隔,不同高度的风速等作为模型输入,然后通过LSTM处理输入的时间序列与风电功率之间的非线性关系,接下来通过AM进一步优化LSTM的权重,最终得到风电功率的预测结果.通过国外某电场数据的验证:将数据集按照季度分开,各个模型预测结果最为优的是第四季度,对于基于多点位的注意力机制和长短期记忆混合预测模型的均方根误差和平均绝对误差分别比前馈神经网络预测模型降低48.8％和17.4％,比单一长短期记忆神经网络预测模型降低37.2％和7.8％.     

基于改进EMD与SVM的风电功率短期预测模型

风电功率短期预测对电力系统的调度运行有着重要意义。为提高风电功率短期预测的精度,构建基于改进的经验模态分解法(EMD)和支持向量机(SVM)相结合的预测模型,进行风电功率的短期预测。首先,采用镜像延拓算法对预处理后的功率序列进行处理,从而抑制经验模态分解法分解过程中的端点效应;同时,采用分段三次埃尔米特插值代替三次样条插值,由此得到的包络线可以有效改进EMD的欠冲或过冲问题;然后用改进后的EMD方法将风电功率序列分解成不同的分量,再针对各分量分别构建各自的SVM模型进行预测,最后将各预测分量进行叠加,由此得到总的风电功率预测值。实验结果表明,相比与其他的短期功率预测模型,改进的EMD-SVM预测模型具有更高的预测精度,具有一定的应用价值。     

基于数据挖掘与小波去噪的短期风电功率预测

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.