基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

小波分析应用于风力发电预测控制系统中的风速预测

一般风速预测是以全风速预测,但是全风速高频部分的三次方变化幅值大,为了取得好的控制效果和避免控制器高频率的动作,利用小波多分辨分析对风速进行高低频分解提取出低频平缓信号.对平缓后的数据进行时间序列预测并与原始风速信号预测小波分解的结果进行对比分析,两信号误差很小,可以利用小波分析用于预测控制中的风速预测.     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

风速时间序列混沌特征分析及非线性短期预测

针对风能发电及天气预报等领域中一直是难点和重点的风速时间序列预测问题,首先分别通过相图法和最大Lyapunov指数法定性定量确定风速时间序列具有混沌特征;在此基础上,针对风速时间序列混沌特征结合相空间重构理论进行预测,根据C-C算法确定嵌入维数及延迟时间,将混沌理论应用于Volterra自适应模型,建立新的风速预测模型;以Lorenz方程为例验证该预测模型的准确性,并通过预测风速对比实测风速,进行误差分析。结果表明:风速时间序列具有明显的混沌特征;风速时间序列的混沌特征表明其长期预测是不现实的,但其确定性结构表明其具有短期可预测性;以预测Lorenz方程数值解的方式验证了Volterra自适应预测模型的准确性,其预测误差控制在10~(-4)以内;Volterra自适应预测模型可以对实测风速时间序列进行准确的预测,预测误差控制在0.1 m/s内。     

基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

测风数据间隔对风速预测精度影响的研究

风速预测对风电场控制和电网调度具有十分重要的意义。文章以不同时间间隔的测风数据为基础,采用时间序列法和人工神经网络法对风速进行预测,通过比较风速预测绝对平均误差,说明时间间隔较短时,采用BP神经网络预测精度较高;当时间间隔增大时,采用时间序列法预测精度较高;时间间隔过大,即风速数据太少时,两种预测方法误差都较大,须谨慎使用。该研究结果对风电机组控制系统的设计以及电网调度计划的制定具有参考价值。     

基于STCP-BP的风速实时预测方法研究

为提高实时预测精度,提出一种新的基于时空相关性和BP神经网络的风速实时预测方法。该方法首先基于风速演变的物理特性,依据目标预测点若干个邻域点的风速及风向信息,建立时空相关性预测(spatio-temporalcorrelation predictor,STCP)模型并得到不等时间间隔的预测风速;然后依据目标预测点的风速序列建立BP神经网络预测模型进行风速的实时预测;最后将STCP结果以一定的滑动时间窗与BP预测模型得到的实时预测风速进行适当加权组合得到最终的预测风速。以某区域多个风电场实测数据为例进行仿真测试,结果表明,与BP预测模型相比,该文提出的STCP-BP组合预测方法可有效提高风速的实时预测精度。     

采用正则化极限学习机的短期风速预测

摘要： 高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义。针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机（regularized extreme learning machine,RELM）的风电场短期风速预测新方法。首先,采用自相关函数（ACF）对风速时间序列的相关性进行分析,得到预测模型输入属性集合;其次,确定预测网络的输入、输出等参数,并建立RELM模型;再次,利用训练集在训练过程中确定网络参数,构建RELM预测模型;最后,以RELM预测模型开展短期风速预测,得出预测结果。采用美国风能技术中心的实测风电场风速数据开展实验证明,相对于标准的ELM和BP神经网络,新方法具有更好的预测精度。     

一种实时校正的改进BP神经网络超短期

摘要： 风电机组出力可由风速计算得出,提高风速预测精度对减小风电并网冲击、合理调度风能资源至关重要。基于风电场气象及风速数据的时间连续性,提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍,在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真,结果表明,所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

酒泉地区风电场风电功率预报研究

利用NOAA天气预报模式Weather Research andForecasting Model(WRF)结合统计订正方法对酒泉地区短期风电功率预报进行了预报实验。与实际出力比较24 h短期风电功率预报精度较高。并在此基础上利用风电场附近测风塔观测数据通过时间序列发进行了0~4 h超短期预报实验,预报结果显示0~2 h预报结果有利于运行调度。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于Elman神经网络的风电场噪声预测模型

针对风电场噪声易受风速风向等多因素影响的特点,引入具有动态递归性能的Elman神经网络,综合考虑风速、风向和距离三个主要因素的影响,建立了基于Elman神经网络的风电场噪声预测模型,并以某风电场为例,选取基于无指向性经验拟合预测模型作为对比模型,分别预测风电场噪声,绘制风电场噪声等值线地图。结果表明,基于Elman神经网络的风电场噪声预测模型具有更高的拟合相关性系数,且噪声预测更符合实际情况。     

基于WRF模式与相似Kalman滤波法订正后的风速预报效果分析

为提高张家山风电场风速预报质量,比较了张家山测风塔处的实测风速WRF模式预报的风速的误差,再利用相似Kalman滤波方法订正预报的风速,以减小WRF模式预报风场的系统误差和随机误差。结果表明,WRF模式对敏感区的风速预报能力最好,对小风区的预报效果较差,对冬季的预报效果略好于春秋季;再使用相似Kalman滤波方法对模拟风速进行误差订正后,所有时刻的预报能力得到提高,平均偏差、均方根误差变小,从而提高了风速预报的准确率。     

Wind speed forecast model for wind farm based on a hybrid machine learning algorithm

This paper presents a new strategy for wind speed forecasting based on a hybrid machine learning algorithm, composed of a data filtering technique based on wavelet transform (WT) and a soft computing model based on the fuzzy ARTMAP (FA) network. The prediction capability of the proposed hybrid WT+FA model is demonstrated by an extensive comparison with some other existing wind speed forecasting methods. The results show a significant improvement in forecasting error through the application of a proposed hybrid WT+FA model. The proposed wind speed forecasting strategy is applied to real data acquired from the North Cape wind farm located in PEI, Canada.     

Wind farm power prediction: a data‐mining approach

In this paper, models for short‐ and long‐term prediction of wind farm power are discussed. The models are built using weather forecasting data generated at different time scales and horizons. The maximum forecast length of the short‐term prediction model is 12 h, and the maximum forecast length of the long‐term prediction model is 84 h. The wind farm power prediction models are built with five different data mining algorithms. The accuracy of the generated models is analysed. The model generated by a neural network outperforms all other models for both short‐ and long‐term prediction. Two basic prediction methods are presented: the direct prediction model, whereby the power prediction is generated directly from the weather forecasting data, and the integrated prediction model, whereby the prediction of wind speed is generated with the weather data, and then the power is generated with the predicted wind speed. The direct prediction model offers better prediction performance than the integrated prediction model. The main source of the prediction error appears to be contributed by the weather forecasting data. Copyright © 2008 John Wiley & Sons, Ltd.     

Forecasting the Wind Generation Using a Two-Stage Network Based on Meteorological Information

This paper proposes a practical and effective model for the generation forecasting of a wind farm with an emphasis on its scheduling and trading in a wholesale electricity market. A novel forecasting model is developed based on indepth investigations of meteorological information. This model adopts a two-stage hybrid network with Bayesian clustering by dynamics and support vector regression. The proposed structure is robust with different input data types and can deal with the nonstationarity of wind speed and generation series well. Once the network is trained, we can straightforward predict the 48-h ahead wind power generation. To demonstrate the effectiveness, the model is applied and tested on a 74-MW wind farm located in the southwest Oklahoma of the United States.      

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。