基于小样本学习和生成式对抗网络模型的短期风电功率预测

针对目前国内风电场功率预测过程中预测模型训练缺少大量历史数据导致预测性能不佳的问题,提出了一种基于小样本学习(FSL)和生成对抗网络(GAN)模型方法,扩充样本数据集的同时提高风电预测模型的性能。同时针对传统生成对抗网络模型无法处理回归问题的情况,提出了改进-生产对抗网络(GR-GAN)的模型,使其可以在有限的样本条件下实现风电功率预测回归。通过使用新疆和内蒙地区风电场的历史发电量数据集进行验证,结果表明与原始生成对抗网络(Original-RGAN)、支持向量回归(SVR)、长短期记忆(LSTM)3种基线方法相比,GR-GAN模型预测效果较好,并且在较少输入样本时表现出较小的预测误差。     

基于相似日和人工神经网络的风电功率短期预测研究

随着地球上的化石燃料的不断消耗,风能作为清洁、安全的能源正在改变着全球能源结构,由于自然风具有随机性、波动性和不可控制性,造成风电场在发电时,发电功率产生巨大的波动,为了提高风电功率预测精度,采用人工神经网络和相似日的方法,以云南某电场风电场发电功率的数据为例,建立模型对风电功率进行了短期预测,研究得出:该方法能够有效地对风电场功率进行预测;与传统BP神经网络相比而言,基于人工神经网络和相似日的方法具有很强的非线性学习的能力,对提高高精度风电场输出功率的预测很有帮助;基于人工神经网络和相似日的方法预测误差概率,误差概率分布符合正态分布,可以作为风电场发电功率误差的置信区间估计和预测的依据,研究为风电功率的预测提供了一定的借鉴意义。     

基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究

电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。