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。     

风速时间序列非线性特征分析

针对时间序列风速确定性与随机性相结合的复杂非线性特征,基于相空间重构理论和最大Lyapunov指数对其进行混沌与分形特征分析。首先,以经典Lorenz混沌系统及非混沌完全随机白噪声时间序列为验证算例,通过相空间重构和最大Lyapunov指数法判断以上2种非线性时间序列的混沌特征,分别从定性和定量的角度验证了所提方法的可行性;其次,对美国风能研究中心实测风速数据进行相空间重构,计算其最大Lyapunov指数并估算其可预测时间,最后采用G-P算法分析了实测风速时间序列的饱和关联维数。结果表明:相空间重构理论及最大Lyapunov指数法均可作为判断混沌特征的重要方法,时间序列风速具有明显的混沌分形特征及短期可预测性。     

基于多嵌入维数的径流组合预测

针对理论混沌参数计算方法很难得到实际径流时间序列的最佳嵌入维数,采用多嵌入维数组合预测对径流时间序列预测方法进行改进。利用Lyapunov指数预测模型分别计算了一系列不同嵌入维数情况下的预测值,根据预测效果对结果进行选择,并利用组合原理对其进行集成得到最后的预测值。实例分析表明,相对于单嵌入维数法,多嵌入维数组合预测方法可以综合利用不同相空间中的有用信息,提高径流时间序列预测的精度。     

基于小波实时分解模式的风功率协同预测研究

利用小波理论建立风电功率多步预测模型,针对预测模型中预测值随预测步数恶化的问题,引入小波实时分解模式,对不同频段分量的特性采用不同方法分别预测,最终将结果叠加得到多步预测值,结合国家能源局对于风电场风电功率实时预测的指标,通过吉林省某风电场的实测风电功率数据验证该方法的有效性。     

基于混沌理论的过热汽温最优预测控制策略

由于非线性混沌时间序列内部确定的规律性，其重构相空间具有高精度短期预测性。因此，为实现锅炉过热汽温的非线性、大时滞系统的自适应控制，根据具有混沌特性的过热汽温时间序列重构相空间，计算相空间饱和嵌入维数、最大Lyapunov指数和系统的可预报尺度，并以此为指导，建立神经网络预测模型对过热汽温系统作高精度的短期预测，在此基础上，通过反馈校正，将校正误差和控制增量引入性能函数，寻优得最优控制策略，实现了对过热汽温的非线性、大时滞系统高精度的自适应预测控制。仿真表明了控制的有效性、快速性和鲁棒性。     

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。     

基于混沌分析和神经网络的风速直接多步预测

针对风速序列的混沌特性,提出了一种将混沌分析和神经网络相结合的短期风速直接多步预测新方法,以提高其预测精度。首先,对风速序列进行混沌特性分析和相空间重构;然后,根据重构相空间的特征参数,结合预测需求,确定Elman网络结构;最后,利用空间欧式距离选取的样本对Elman网络进行训练,建立风速直接多步预测模型。以华北地区某风电场实测风速为例进行仿真测试,结果表明与单步迭代法和直接神经网络法相比,该文方法在进行风速直接多步预测时具有更好的整体误差指标。     

基于EEMD-WOA-LSSVM的超短期风电功率预测

针对风电场输出功率不稳定特性造成风功率预测精度不高问题。采用集合经验模态分解(EEMD)将风功率信号分解为若干个平稳的子序列,可避免经验模态分解(EMD)出现错误的本征模态函数(IMF)分量;利用相空间重构对分解获得的平稳子序列进行重构;提出一种鲸鱼算法(WOA),优化风功率平稳子序列重构参数和最小二乘支持向量机(LSSVM)参数;从而建立EEMD-WOA-LSSVM风功率预测模型。以某风电场为例,采用所建立预测模型对风功率进行仿真分析,实验结果表明EEMDWOA-LSSVM预测模型的风电功率预测精度更高。     

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%。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

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。     

考虑游程检测法重构的EMD-Elman风电功率短时组合预测

考虑到直接对经验模式分解(EMD)所得多个分量分别建模预测会引入多重随机误差和产生较大预测工作量,提出一种基于游程检测法重构原则的EMD-Elman神经网络组合的风电短时功率预测算法,运用游程检测法对风电出力时间序列EMD得到系列本征模态函数IMF和趋势项Res进行波动性程度检测,将波动程度相似、变化规律相近的分量依照fine to coarse顺序重构成高频分量、低频分量和趋势项。然后针对性地对3个分量分别建立较准确的Elman神经网络短时多步预测模型,可减少预测分量建模数,提高预测精度和预测速度,最后将三分量预测结果自适应叠加。还分别给出两种预测模型的算例,对比分析发现EMD-Elman组合预测模型的精度优于Elman神经网络单一预测模型。     

基于小波消噪和混沌序列的SVM模型研究应用

基于小波消噪理论,采用改进小数据量法计算最大Lyapunov指数,对北碚水文站月径流时间序列进行混沌特性识别,利用C-C法重构相空间挖掘北碚站月径流时间序列中的信息,通过SCE-UA算法优化出惩罚因子、核宽度,并引入径向基核函数简化非线性问题的求解过程.实例结果表明,SVM径流预测模型实现了精度与实用性的统一,可较好处理复杂的水文序列,具有较高的泛化能力和预测精度,为资料匮乏地区预报研究提供了一种新方法.     

基于混沌神经网络预测模型的最优控制决策及应用

为了实现非线性、大时滞系统的自适应控制，首先根据具有混沌特性的非线性、大时滞系统的时序列重构相空间，计算出相空间的饱和嵌入维数和最大Lyapunov指数，并以此为指导，建立混沌神经网络预测模型，该模型即便在网络输入不完整或发生变异的情况下，仍能对系统作高精度的短期预测；在此基础上，将预测模型的输出通过反馈校正．再将校正误差和控制增量引入性能函数最优，最后得到最优控制决策，实现了对非线性、大时滞系统高精度的自适应控制。最后将预测控制决策应用到非线性、大时滞的锅炉过热汽温控制中，仿真结果表明了该控制的有效性、快速性和鲁棒性。图6参6     

漂浮式风力机半潜式平台摇荡运动混沌特征分析

针对漂浮式风力机半潜式平台在复杂海洋环境下的摇荡运动所表现出的复杂非线性特征,建立半潜式平台的NREL 5 MW漂浮式风力机模型,基于辐射/绕射理论并结合有限元方法得到了平台摇荡运动时间序列数据。基于混沌理论,应用功率谱分析、相空间重构及最大Lyapunov指数3种方法从定性和定量的角度,对摇荡运动时间序列数据进行了混沌特征分析。结果表明:平台摇荡运动时间序列数据具有明显的混沌特征,其最大Lyapunov指数不同(在0.05~0.09之间小幅变化);平台摇荡运动时间序列数据具有短期可预测性,且其最大可预测时间不同,最大可预测时间均不超过17 s。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

基于混沌时间序列的地区电网负荷预测

通过采用改进的C-C方法计算得出电网日负荷的最优时延和最佳嵌入维数,从而进行相空间重构,并通过计算最大Lyapunov指数,指出该时间序列的混沌特性。然后采用基于奇异值分解的Volterra方法对某地区电网负荷进行预测。预测结果显示,该方法的预测效果较好,具有较高的预测精度,并能够反映电网未来负荷的变化趋势。     

辨识混沌时间序列中的确定性

总结了一些分析混沌时间序列的关键技术：相空间重构、吸引子维数、Lyapunov指数、熵等,并综合运用这些方法来判断时间序列是否存在混沌现象。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。