基于多嵌入维数的风力发电功率组合预测模型

为了减小混沌系统的重构参数对预测结果的影响,提出了基于多嵌入维数的风力发电功率组合预测模型.分别使用线性加权算法和神经网络算法对单一的基于相空间重构的神经网络模型进行组合,既综合了各嵌入维数下的信息,又将各维数下的预测偏差进行融合,从而有效提高了预测精度.通过对黑龙江富锦风电场的功率时间序列进行验证,证实了该组合模型的有效性,神经网络非线性组合算法的预测误差小于7%.     

基于波动特性挖掘的短期光伏功率预测

综合考虑光伏功率受气象因素影响所呈现出的规律性和波动性,对光伏功率波动类型进行划分与聚类识别提出一种基于波动特性挖掘的短期光伏功率预测方法,。在此基础上,利用数值天气预报和基于互信息熵的相关性分析法提取各类功率波动对应的天气波动特征及其强相关气象因子,建立基于波动特性挖掘的长短期记忆网络组合预测模型,挖掘天气波动与光伏功率波动之间的潜在映射规律。最后,识别出待测日天气波动类型与预测模型之间的匹配关系,利用组合预测模型实现光伏功率预测。通过对中国西北地区某光伏电站的预测分析,验证了所提预测方法的有效性。     

基于混沌时间序列的大型风电场发电功率预测建模与研究

通过对风力发电系统的发电功率时间序列进行低维非线性动力学建模,表明该时间序列呈现混沌特性。在此基础上,利用混沌时间序列的相空间理论建立了风力发电功率神经网络预测模型,对风力发电功率的短期预测进行了分析和研究,并得到了较高的精度。本文研究数据均来自大唐赛罕坝百万千瓦级风电场。     

基于遗传蚁群的光储电站运行效益提升策略研究

以并网光储电站为研究对象,以充分发挥储能系统灵活调节作用并提高系统运行经济性为出发点,在考虑度电成本的基础上,提出一种实时调整储能系统运行状态的控制策略,建立以净收益最大、向大电网取电量最少为目标的优化模型,采用基于精英策略的带有惩罚函数的遗传-蚁群算法对优化模型进行求解,从投资人角度对并网光储系统进行投资收益分析.最...     

一种基于邻域保持的数值天气预报数据降维可信度评估准则

针对以风电、光伏发电为代表的新能源发电功率预测中数值天气预报（NWP）数据降维问题,应用不同特征选择和特征转换算法进行降维后,提出一种基于邻域保持的NWP降维可信度评估准则。该评估准则基于数据降维投影过程中样本点邻域变化,不考虑降维算法本身的降维原理及目标函数,可对不同降维算法在NWP数据降维中的可信度进行有效评估。研究结果可为其他研究提供选取NWP降维算法提供参考。     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

基于自回归滑动平均模型的风力发电容量预测

利用时间序列分析法对富锦风电场风电机组发电容量时间序列进行分析,通过长自回归模型法建立了基于这些数据的自回归模型(AR)和自回归滑动平均模型(ARMA)。在建模过程中,采用3种定阶方法分别建立了不同的ARMA模型,并在对比分析了不同模型的优缺点之后对其进行加权平均综合处理,最终得到较理想的预测模型,使风力发电容量短期预测的归一化平均绝对误差降到7%以内。     

风电场发电功率的建模和预测研究综述

随着大量风电并入电网中,为了合理制定发电计划,保证电力系统稳定运行,需要对风电输出功率进行预测.首先根据建模的方法和预测模型的对象两个分类标准,归纳总结了目前风电功率预测研究的模型和方法,然后简要概括了国内外的研究现状,最后提出了风电功率预测模型的改进方向.     

基于经验模态分解的风电功率短期预测方法

采用经验模态分解和滚动神经网络相结合的方法对风电功率时间序列进行短期预测。通过经验模态分解将信号分解成有限个固有模态函数(IMF)之和,利用多个神经网络对各IMF进行预测,同时采用滚动学习的方法修改权值和阈值,最后重构得到完整的预测结果。通过对内蒙古赛罕坝风电场的发电功率进行仿真预测,证实了该模型的有效性,与persistence模型相比较,平均绝对误差从12.55%降低到10.20%。     

基于多位置NWP与主成分分析的风电功率短期预测

数值天气预报(NWP)信息对风电功率短期预测模型的准确性起着重要作用。考虑风电场周围多个位置的NWP信息,提出聚类分析与主成分分析相结合的方法对风力发电功率短期预测进行研究。通过聚类分析提取历史数据中与预测日NWP最相近的样本,然后用主成分分析法对样本日信息进行处理,获得更加准确反映风电场特性的参数。通过对依兰风电场的发电功率进行预测,证实了该方法的有效性,其准确度比基于单位置NWP的预测模型提高了4.65%。