基于风速误差校正和ALO-LSSVM的风电功率预测

风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。     

基于灰色缓冲算子-卡尔曼滤波双修正的风电功率实时预测研究

文章针对风电功率预测的精度问题,提出了一种基于灰色缓冲算子-卡尔曼滤波双修正的神经网络预测模型。通过建立灰色缓冲算子,消除数据中的冲击扰动,还原其本身的特性;对缓冲之后的数据进行训练,建立人工神经网络进行滚动预测;利用卡尔曼滤波器对预测结果进行二次修正,消除预测结果中的奇异点。仿真结果表明,与传统的预测方法相比,该模型可有效地提高预测精度。     

基于混合高斯分布的风电功率实时预测误差分析

针对风电功率实时预测误差随预测方法不同呈现不同分布特性,提出基于混合高斯分布的风电功率实时预测误差分布模型,采用期望最大化算法估计混合高斯分布模型的参数,以位于吉林省、黑龙江省和辽宁省的3个风电场的实测数据为例,分析不同预测方法下风电功率实时预测误差的分布特性,三权值高斯分布的评价指标——绝对值平均误差、均方根误差及相关系数均最优,验证了模型基于不同预测方法下预测误差的有效性和适用性。     

基于一体化实时信息平台的风电功率预测系统

风具有易变性、随机性等特点,风电并网之后,可能引起运行和可靠性的问题。如果能够提前对风电功率进行准确的预测,则有利于及时调整计划,保证电能质量,减少系统备地容量,获得更多的经济效益和社会效益。介绍了一种基实时信息平台的风电功率预测系统的研究与设计思路,该系统为了能适应于复杂地形的风电场,结合WRF中尺度数值预报信息,采用了分位数回归神经网络预测方法,进一步提高了风电功率的预测精度。     

基于秩次集对分析的风电功率实时预测研究

提出基于秩次集对分析的风电功率实时预测模型,将物理意义明确、算法简单的秩次集对分析应用到风电功率时间序列实时预测中。根据选择最相似集合方法的不同,建立3个不同的模型,并利用两个风电场的实测数据进行仿真预测,结果表明等容最小间距法在实时预测中具有良好的预测性能,有一定的应用价值。     

基于熵权综合关联度数据挖掘的风电功率实时预测研究

采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究。然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率。通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率。     

基于不确定相关向量机的风电功率实时预测

提出基于不确定相关向量机的风电功率实时预测方法,采用非参数回归方法拟合预测误差的概率密度分布,得出回归函数以及估计区间,最后由误差估计区间换算成功率估计区间。利用该文的方法对吉林省某风电场进行功率预测,研究表明,该方法能对风电场功率预测的不确定性进行有效分析。     

基于EWT-ESN的短期风电功率预测研究

针对风电功率具有强非线性的特点,提出一种经验小波变换(EWT)和回声状态网络(ESN)的短期风电功率组合预测方法。EWT吸取了经验模态分解(EMD)和小波分析各自的优点,核心思想是根据信号中包含的频谱信息建立基于傅里叶支持的小波滤波器组。首先,通过提取频域极大值点对信号的Fourier谱进行自适应的划分,然后根据信号频谱特性构造正交小波滤波器组来提取信号中包含的具有紧支撑Fourier频谱特性的调幅-调频(AMFM)分量。EWT是在小波框架下建立的自适应信号分解方法,相比于EMD,其具有理论性强,计算量小,分解的模态数量少的优点。该文采用EWT将原始风电功率序列分解为具有特征差异的的不同分量,采用ESN对各分量分别预测并叠加来得到最终的预测结果;最后,将EWT-ESN方法应用在国内外两个短期风电功率实例中,实验结果表明,该文方法可有效提高风电功率预测的精度。     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题,提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先,在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制,通过自注意力机制自适应的选择输入特征,并通过时间注意力机制捕获风电数据时间序列的长时间依赖性;判别模型采用卷积神经网络,提高模型的预测精度。其次,将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数,以提高模型的稳定性,同时为解决判别器缓慢学习的问题,引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后,以甘肃省酒泉市某风电场的实际运行数据为例,验证SAM-WGAN-GP模型不仅能自适应选择输入特征,而且可捕捉风电数据的长时间依赖性,并提高预测精度。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要.针对极限学习机(ELM)随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法(SSA)优化极限学习机的组合预测模型(SSA-ELM).利用收敛速度快、...     

基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

基于最大熵谱估计的风电功率周期特性研究

基于中国华北某省级电网千万kW级风电场群实测数据,采用最大熵谱估计方法研究该地区风电功率周期分量的时空分布特性。分析结果表明,随着风资源增强,风电功率的周期分量呈集中趋势,相应的周期值呈增大趋势;随着风电装机容量的增加,风电功率周期分量呈增大趋势。通过对风电功率间歇性——周期特性潜在规律挖掘,以期对风电功率预测、优化调度等发挥指导作用。     

基于数值天气预报的风电功率预测建模研究

基于数值天气预报的支持向量机风电功率预测方法,利用空间分辨率较高的数值天气预报来提高风电功率预测的准确性;通过优化选取NWP的网格点、物理层面及其之上的物理量对预测模型进行简化,提高预测程序的运行速度。采用辽宁省某风场的历史数据,验证了所设计预测算法的有效性,为数值天气预报用于风电功率建模提供了试验支撑。     

基于风电功率周期特性的组合预测研究

依据风电功率存在周期性分量,提出实时提取周期分量的风电功率组合预测模型,该预测模型将周期分量的单步周期预测值和剩余分量的单步混沌预测值合成为风电功率时间序列的单步预测值,将合成的预测值作为真实值加入到原序列中,构成新的时间序列,再次提取周期分量,进行下一次预测。以东北某风电场的实测有功数据为例,对风电功率进行实时预测,预测结果验证了模型的有效性。     

基于风电功率预测与储能技术的风电消纳预测研究

针对风电出力的间歇性、波动性导致的消纳、并网难等问题,提出一种基于风电功率预测与储能技术的风电消纳预测方法。首先,以弃风量最小为目标,构建基于含风电系统各类常规机组的启停状态的组合优化模型,并采用新型离散粒子群算法求解;其次,探寻系统次日24 h全时段可消纳风电的上、下限,并对其加以校核;最后,兼顾系统安全稳定运行与风电调度计划允许误差两个因素,对某实际39节点10机系统分析并引入储能,以实际风电出力为测试对象,并以不同方案调度储能来验证所提方法的有效性与实用性。     

基于集合经验模态分解和相关向量机的风电功率实时预测研究

由于风电功率时间序列的非线性非平稳性特征,将一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的预测模型引入到风电功率实时预测中。首先对风电功率时间序列采用集合经验模态分解,降低序列的非平稳性;其次对各子序列建立相关向量机预测模型;最后将得到的各子序列预测结果叠加就得到最终的功率预测值。利用该方法对吉林省某风电场进行功率预测,研究表明,该文所提出的预测模型能有效地提高预测精度,对工程有较高的利用价值。     

基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测

风电功率的准确预测对电网的安全运行和经济调度起着重要作用,为进一步提高风电功率的预测精度,文章提出了一种基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测模型。首先,利用完全集成经验模态分解(CEEMD)对风电功率时间序列进行模态分解;其次,对分解的各个风电功率时间序列利用卷积神经网络(CNN)进行特征提取;再次,建立双向门控循环单元(Bi GRU)模型对各个风电功率时间序列进行预测,叠加各个分量的预测值;最后,对误差进行进一步分析与预测,利用随机森林(RF)进行误差修正,得到最终的风电功率预测值。实验仿真表明,该模型的预测效果明显优于传统模型,模型的平均绝对百分比误差(MAPE)仅为2.09%。