基于小世界优化的风电功率变权组合预测模型

提出一种新型的基于小世界优化的支持向量机与灰色预测变权组合风电功率预测模型。该模型发挥小世界优化算法避免陷入局部极小、快速收敛等优势,对组合权重系数进行移动样本自适应变权求解,同时,支持向量机采用实数编码小世界算法(R-SWOA)进行回归估计,构成支持向量机改进算法(RSWO-SVM)。利用江苏某风场数据对风电机组输出功率的超短期实时滚动功率预测进行研究,分别预测未来10 min、30 min和1 h的功率值。预测结果表明,无论哪个时间尺度,该文变权组合模型的预测精度均明显高于各单项、等权平均和最小方差固定权系数组合预测方法,预测误差大幅降低。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

基于变分模态分解和LSSVM的风电场短期风速预测

针对风速序列的随机性和非平稳性带来的难以准确预测的问题,提出一种基于变分模态分解和最小二乘支持向量机的风速预测模型。首先利用变分模态分解将风速序列分解为一系列限带内禀模态函数以降低其非平稳性对预测性能的影响,然后对各模态分别建立最小二乘支持向量机预测模型,并利用改进的差分进化算法对其关键核参数寻优,最后将各子序列预测结果叠加组合得到最终风速预测值。实例研究表明,所提出的预测模型在短期风速预测上有较高的预测精度。     

基于改进PSO-SVR模型在短期风速预测上的应用研究

针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性.     

基于最大熵混沌时间序列的支持向量机短期风速预测模型研究

为了提高短期风速预测的精度,减小风力发电接入对电力系统的安全和稳定运行带来的影响,提出基于最大熵混沌时间序列的支持向量机短期风速预测模型。该模型将最大熵原理引入到混沌时间序列样本选择过程中,针对风速混沌时间序列建模,并采用贝叶斯框架下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,该预测模型能有效提高短期风速预测的精度。     

基于最优权系数的风电功率组合预测方法

摘要： 风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明：所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

基于PSO优化LS-SVM的短期风速预测

提出了一种基于粒子群(PSO)算法优化最小二乘支持向量机(LS-SVM)的风电场风速预测方法。以相关性较高的历史风速序列作为输入,建立预测模型,并用粒子群算法优化模型参数。在对未来1 h风速进行预测时,文章所提出的模型比最小二乘支持向量机模型及BP神经网络模型具有较高的预测精度和运算速度。算例结果表明,经粒子群优化的最小二乘支持向量机算法是进行短期风速预测的有效方法。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于支持向量机的风速预测模型研究

由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性.     

基于改进诱导有序加权算子的风电功率预测

针对风电功率超短期预测精度不高的问题,提出了一种结合Theil不等系数与改进诱导有序加权算子的组合预测方法。由于预测时刻的实际风电功率值未知,因此无法直接利用该方法进行预测。文章利用各单项预测模型的前几个时刻的预测精度均值作为预测时刻风电功率的诱导值,对诱导有序加权算子进行了改进,解决了预测时刻诱导值未知的问题。采用误差信息矩阵对单项模型进行冗余度分析,得到优选单项模型,然后建立基于Theil不等系数和3种改进诱导有序加权算子的组合预测模型。通过分析和实例验证表明,结合Theil不等系数和诱导有序加权算数平均算子(IOWA)的组合模型能有效地提高风电功率预测精度。     

基于灰色关联和协整理论的风功率组合预测研究

基于灰色关联和协整性理论,研究风电功率模型筛选与组合预测问题。分析6种单项预测方法与实际功率序列的灰关联度,并进行协整性检验,剔除冗余方法。算例分析结果表明,进行单项模型筛选能进一步提高组合预测模型的精度。然后,提出基于小世界优化的变权组合预测模型,并利用该模型对筛选后的方法进行组合预测。通过一个实例将小世界优化的变权组合预测模型与等权重平均组合预测法及协方差变权组合预测法进行仿真对比,该模型具有较高的预测精度和工作效率,可验证其在实际应用中的有效性和实用性。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于熵权法的光伏输出功率组合预测模型

提出基于熵权法的光伏功率组合预测模型。首先采用持续法、支持向量机法、相似数据法对光伏电站输出功率进行单一模型预测,然后使用信息熵理论的熵权法客观评价单一预测方法提供的信息量,确定各单一预测方法的组合权重,建立基于熵权法的光伏输出功率组合预测模型。通过仿真对比3种单一预测方法以及熵权法组合预测模型的预测精度。研究结果表明,基于熵权法的组合预测模型可有效识别各单一预测方法包含的信息量,确定合理的权重,提高光伏功率预测的精度。     

基于小波分解与遗传算法和支持向量机的短期风速预测

提出一种基于小波分解(Wavelet Decomposition)、遗传算法(Genetic Algorithm)和支持向量机(Support VectorMachine)的短期风速预测模型。采用风速历史值作为模型输入,通过模型的数据处理单元、参数寻优单元和支持向量机单元对短期风速值进行预测。同时引入模型的可调参数,通过调节参数提高模型对应不同风场风速数据的普遍适应性。算例结果表明,模型预测的风速与真实值基本一致,并具有较好的适应性,可适应不同风场的数据。     

考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度，提高短期风速预测的准确性，提出一种考虑样本熵的组合分解模式和支持向量回归（SVR）相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解（CEEMDAN）方法分解风速历史数据，并计算各模态分量的样本熵；然后采用变分模态分解（VMD）方法对样本熵最大的模态分量进行二次分解，充分削弱风速分量的非平稳性；接着对分解得到所有模态分量分别建立SVR预测模型；最后将各分量的预测值求和完成最终风速预测。实例分析表明，所提模型对比其他模型的预测误差最小，预测精度最高，可有效预测短期风速。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

不同特征向量下基于SVM的短期风速预测

选取广东省某风电场的测风数据,运用支持向量机(SVM)的方法对其进行短期风速预测。为提高预测的精度,通过LIBSVM回归机的交叉验证函数确定最优参数,建立4种不同输入特征向量组合(风速序列、风速和风向、风速和气压、风速风向和气压)的模型,分别预测该风场的短期风速,并对4种模型的预测误差进行分析和比较。实验结果表明:气压不宜作为输入特征向量;选用风速和风向作为输入特征向量的模型,预测效果最理想,其平均绝对百分比误差为12.8%。