基于IHMF算法的火电机组短期负荷预测研究

文中以660 MW燃煤发电机组为研究对象,提出了一种改进的基于历史数据匹配预测算法(Improve History Matching and Forecasting algorithm,IHMF)的机组短期负荷预测模型.IHMF 算法利用日负荷的相似性特征,通过加权欧氏距离法同时对负荷差分序列和原始负荷序列进行相似性匹...     

基于风速时空信息的BP神经网络

基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。     

基于气象相似性的光伏电站输出功率估计

为了得到光伏电站的输出功率,提出一种基于气象相似性的输出功率估计方法。该方法通过对大量历史数据的分析,利用光伏电站输出功率与气象数据密切相关的特点,基于皮尔逊相关系数在历史数据中计算得到与待估计输出功率相似的气象时刻,再根据相似气象时刻的输出功率估计待估计时刻的输出功率。利用甘肃省某光伏电站采集的包含9个气象要素的历史数据,经过数据预处理之后挑选出214 d不含有异常数据的数据集作为数据样本,并随机选出14 d不同天气类型的数据作为测试样本,其余作为训练样本。通过对测试样本数据进行验证,所提出的估计方法平均绝对误差仅为0.46 MW,相对误差仅为15.74%,具有较高的计算准确度,且适用的气象条件更广泛。     

基于相似性识别的短期负荷动态预测方法

统调日负荷的精确预测对电力充裕性保障、电力系统规划有重要指导作用。相似性识别是数据挖掘技术的重要部分,基于相似性识别原理,提出一种短期负荷预测的新方法。首先对原始数据进行属性和重复记录清洗,清洗后得到实验数据;其次在考虑数据大小相似性的同时,引入了数据趋势相似性度量。基于2种度量从历史序列中识别出与查询序列信息高度重合的序列,建立备选相似序列集;考虑时间间隔与季节因素,从备选相似序列集中选取历史最相似序列,最终实现日负荷预测;随着新信息的进入,实现高峰负荷动态预测。利用该方法对重庆统调日负荷进行模拟预测,并与BP神经网络和支持向量机方法进行对比,证明了所提方法的可行性与有效性。     

基于深度置信网络的短期风电功率预测

为解决海量数据用作预测模型训练样本导致信息冗杂的问题,提出一种基于深度置信网络的短期风电功率预测方法.该方法首先使用历史数据作为训练样本,通过深度置信网络无监督学习提取出其相应特征,随后采用K均值算法对提取出的特征进行聚类分析,将历史数据分作几类,并通过判别分析确定待测日所属类别,以该类别所属的历史数据对设置了误差反馈...     

基于多重联合概率与改进加权HMM的风电功率预测方法

为解决传统风电功率预测中气象因素与功率数据结合应用时相互约束性不足且风电功率序列的历史时序信息随时间逐步衰减的问题，提出一种基于多重联合概率与改进加权隐马尔可夫模型（HMM）的风电功率预测方法。首先，提出多重联合概率方法将数值天气预报（NWP）中的气象因素进行逐步联合，并改进HMM中的释放概率，使NWP气象数据与功率时间序列融合以互相约束；然后，采用条件熵改进粗糙集以计算多步预测的合理属性权重，加权运算多步预测值，以获得风电功率预测值；最后，经过风电场实际算例验证，通过将NWP数据与功率数据相互融合、互相约束，可有效地提高风电功率预测精度。     

基于改进相似日和ABC-SVM的光伏电站功率预测

为提高光伏电站输出功率预测的精度,以满足电网调度的高精度要求,提出基于改进相似日和人工蜂群算法优化支持向量机的光伏电站功率预测方法。运用熵权法计算得到各气象因素对光伏出力的影响权重,通过计算历史日与待测日气象因数的加权欧氏距离和加权关联度确定相似日,选取相似日光伏输出功率历史数据、温度和湿度以及待测日温度、湿度作为支持向量机的输入变量,采用k-折交叉验证和人工蜂群算法相结合的方法优化核函数参数和惩罚因子,最终输出光伏电站各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的泛化能力和学习能力,具有较高的预测精度。     

基于局部加权线性回归模型的风速短期预测研究

为提高风速预测的准确性,引入局部加权线性回归算法,建立风速局部加权线性回归预测模型。该模型首先通过核函数对每一历史风速设置权重,产生新的风速数据集。其次,对新的数据集进行最小二乘线性拟合回归,建立风速局部加权线性回归模型。最后,根据该模型对风速进行短期预测。以某风电场的实测数据进行仿真验证,并与传统的ARIMA模型和BP神经网络预测模型对比,实验结果表明本文所提方法的有效性,为风速预测提供一种新方法。     

基于加权正则极限学习机的短期风速预测

精确的风速预测是风电功率预测的基础,对保障风电场并网运行和维护电力系统的安全、稳定具有重要意义。针对风速时间序列强烈的波动性、随机性,难以预测的特点,建立了一种基于加权正则极限学习机(WRELM)的短期风速预测新方法。首先,采用与风速相关性大的历史风速、风向以及温度、气压、湿度等气象因素构成候选特征集;采用最大相关最小冗余(mRMR)准则选取与风速序列相关性最大的特征集作为预测输入,由此确定预测网络的训练集和测试集,建立WRELM;采用训练集数据训练网络参数,构建WRELM预测模型;最后,采用WRELM网络预测短期风速。通过风电场实测风速数据试验,验证了该方法的有效性,可用于短期风速预测实践。     

基于生成对抗网络的风电爬坡功率预测

风电的波动性和随机性,尤其是功率爬坡事件严重威胁着电网运行的安全和稳定。功率爬坡是极端天气影响下产生的,属于小概率事件。其极低的发生概率导致历史爬坡样本数量严重不足,并制约了传统功率预测模型的预测精度。针对此类问题,提出一种基于生成对抗网络的风电爬坡功率预测方案。将历史爬坡数据和模拟特征量作为输入,通过生成器和判别器的对抗训练,生成大量与历史爬坡数据特征相似的模拟爬坡数据,实现爬坡数据集的扩充。再将扩充后的爬坡数据集输入给长短期记忆神经网络算法,进行风电爬坡功率预测。通过仿真测试,验证了该方法在历史爬坡数据匮乏情况下风电爬坡功率预测的有效性。并与传统预测方法进行了对比,证明了其预测的精确性。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

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。     

基于马氏距离相似度量的光伏功率超短期预测方法的研究

提高光伏功率超短期预测精度可有效减小光伏发电并网对电力系统稳定性的影响。文章提出了一种基于马氏距离相似度量的光伏功率超短期预测方法。首先,文章采用Elkan K-means聚类分析方法对天气类型进行划分,并通过计算各气象因素与光伏电站输出功率间的灰色关联度,选出不同天气类型下影响光伏功率的主要气象因素;然后,根据样本日和预测日间主要气象因素的马氏距离选择若干个相似日,并将相似日的光伏功率作为预测模型的训练集,对预测日的光伏功率进行超短期预测。模拟结果表明:基于马氏距离相似度量得到的相似日光伏功率和预测日的相似度较高;将基于马氏距离相似度量得到的相似日光伏功率作为预测模型的训练集,可以提高光伏功率超短期预测精度,为光伏功率预测领域提供了有效的方法。     

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.     

基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。     

Hybridizing the fifth generation mesoscale model with artificial neural networks for short-term wind speed prediction

This paper presents the hybridization of the fifth generation mesoscale model (MM5) with neural networks in order to tackle a problem of short-term wind speed prediction. The mean hourly wind speed forecast at wind turbines in a wind park is an important parameter used to predict the total power production of the park. Our model for short-term wind speed forecast integrates a global numerical weather prediction model and observations at different heights (using atmospheric soundings) as initial and boundary conditions for the MM5 model. Then, the outputs of this model are processed using a neural network to obtain the wind speed forecast in specific points of the wind park. In the experiments carried out, we present some results of wind speed forecasting in a wind park located at the south-east of Spain. The results are encouraging, and show that our hybrid MM5-neural network approach is able to obtain good short-term predictions of wind speed at specific points.     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

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。     

A new strategy for predicting short-term wind speed using soft computing models

Wind power prediction is a widely used tool for the large-scale integration of intermittent wind-powered generators into power systems. Given the cubic relationship between wind speed and wind power, accurate forecasting of wind speed is imperative for the estimation of future wind power generation output. This paper presents a performance analysis of short-term wind speed prediction techniques based on soft computing models (SCMs) formulated on a backpropagation neural network (BPNN), a radial basis function neural network (RBFNN), and an adaptive neuro-fuzzy inference system (ANFIS). The forecasting performance of the SCMs is augmented by a similar days (SD) method, which considers similar historical weather information corresponding to the forecasting day in order to determine similar wind speed days for processing. The test results demonstrate that all evaluated SCMs incur some level of performance improvement with the addition of SD pre-processing. As an example, the SD+ANFIS model can provide up to 48% improvement in forecasting accuracy when compared to the individual ANFIS model alone.