基于非参数核密度估计的风电功率区间预测

由于风电的高度随机性和波动性,且风电功率的预测精度仍较低,因此传统的风电功率点预测不足以描绘风电的不确定性。在风电功率点预测值的基础上,采用非参数核密度估计方法计算风电功率预测误差的概率密度,并采用三次样条插值拟合预测误差的概率分布曲线,继而得出满足一定置信概率的风电功率预测区间。结果表明,采用风电功率区间预测能提供风电功率预测曲线和该曲线的变化范围,更有利于风电的不确定性建模。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于EMD与加权马尔可夫链QR法的风电功率区间预测

提出一种基于经验模式分解(EMD)、加权马尔可夫链与分位数回归(quantile regression,QR)的风电功率概率区间预测方法。由于风功率数据与风速显著相关,首先对历史风速进行经验模式分解,得到不同频率段的风速,再以不同频率段的风速为样本,分别对其进行加权马尔可夫链预测,相加得到最终预测风速。最后将所得的预测风速代入QR预测模型,得到一定置信水平下的风电功率概率区间的上下限。以区间覆盖率和区间平均带宽为评价指标,与马尔可夫链下的QR法和加权马尔可夫链下的QR法的对比仿真表明,提出的基于经验模式分解与加权马尔可夫链下的QR法具有风电功率概率预区间预测的覆盖率更高,平均带宽更窄,精度更好的预测效果。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼(Spearman)等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法(NNA)优化改进的长短期记忆网络(ILSTM)中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

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。     

基于长短期记忆网络分位数回归的短期风电功率概率密度预测

针对风电功率确定性的点预测无法对预测结果进行风险评估以及现有静态预测模型难以描述风电功率长期相关性的现象,提出一种基于长短期记忆网络分位数回归(LSTMQR)的短期风电功率概率密度预测模型.该方法首先使用LSTMQR得到不同分位点下未来风电功率的预测结果;其次采用高斯核函数,将LSTMQR与核密度估计(KDE)相结合,...     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

基于混合优化算法的风电功率预测方法研究

准确的风电功率预测可以减少风电对电网的负面影响、降低电力系统的运行成本.风电功率预测在电力现货交易中具有重要意义,但风电功率序列不稳定,给预测带来困难.为提高预测精度,将变分模式分解(VMD)、最大相关最小冗余度算法(mRMR)、长短期记忆神经网络(LSTM)和萤火虫算法(FA)相结合,建立了一种混合优化算法.首先,利...     

基于BiLSTM和Bootstrap方法的风电功率区间预测

风能具有较强的波动性和随机性,造成了现有风电功率预测方法的误差较大,严重影响了电力系统的安全稳定性。针对上述问题,文章提出一种基于双向长短期记忆网络(BiLSTM)和自助法(Bootstrap)的风电功率区间预测方法。该方法强调了风电功率数据间关联程度的重要性,将原始风电功率数据和测风塔提供的风速历史数据构成多变量时间序列,同时构建双向长短期记忆网络模型提高预测结果的精确度。引入Bootstrap方法增加样本的多样性,再利用人工蜂群算法(ABC)的强搜索能力对模型的超参数进行优化,最终得到区间预测的结果。以某风电场历史运行数据为例,通过与长短期记忆网络(LSTM)等现有方法在给定置信水平下的预测结果进行对比,验证了所提方法的有效性。     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

基于多层语义融合注意力机制的短期风电功率概率密度预测方法

获得未来风电功率的短期概率性信息将有助于电网的综合能源调度,为此提出一种结合多层语义融合注意力机制的短期风电功率概率密度预测方法。为尽可能获得更多语义层下的编码信息,在编码阶段引入循环高速网络（RHN）并通过深层的RHN网络结构最大程度地提取输入特征的底层关联信息。设计多层语义融合注意力机制以融合不同语义层下的局部注意力向量,进一步加强编码特征向量的表达能力,并将网络的输出与分位数回归和核密度估计方法结合,得到不同分位点下未来短期风电功率的预测结果与连续概率密度分布。实验结果表明：提出的短期风电功率概率密度预测方法不论是在预测的得精度上,还是在具有不确定性的预测结果分布上均优于其他比较模型。     

基于风电概率预测的风电场调频容量估计方法

考虑风电的不确定性,提出一种基于风电功率概率预测区间和储能设备的风电场调频容量估计新方法。首先基于风电场弃风数据,利用粒子群算法得到风电场储能系统容量配置;然后建立Copula分位数回归模型求得日前风电功率预测区间;最后结合日前风电限值和不同置信概率下的风功率预测曲线产生最优调频容量估计。风电场实际数据的仿真证实所提方法的有效性,可为风电场调频能力研究提供有益的探索。     

基于风电机组状态的超短期海上风电功率预测

提出一种基于风电机组状态的超短期海上风电功率预测模型。首先,综合考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型,以长短期记忆神经网络的预测误差作为监测指标的动态劣化度;然后采用模糊综合评价法对风电机组的运行状态进行评估,依据评估结果对风电机组历史运行数据进行划分;最后根据分类后历史运行数据建立基于机组状态的超短期风电功率预测模型。结合国内某海上风电场实例数据进行分析,算例结果表明所提方法可有效提高风电功率预测精度。     

基于EN-SKPCA降维和FPA优化LSTMNN期风电功率预测

综合考虑风电功率序列及气象数据的多维特征,提出一种弹性网稀疏核主成分分析（EN-SKPCA）降维方法,对气象因素降维并表述为回归优化型问题,添加的弹性网惩罚解决了KPCA重构主成分难以解释构成的问题;提出花授粉算法（FPA）优化长短时记忆神经网络（LSTMNN）预测模型,可自动筛选出最佳超参数,降低了参数经验设置所带来的随机性。该方法解决了突变天气的影响,提高了预测精度。对2017年宁夏麻黄山第一风电场实测数据实验,证明了该方法的优越性。     

基于卷积和共享权系数长短时记忆网络时融合机制在风速预测上的应用研究

针对对于风能规划和应用都具有重大影响的风速存在强随机性问题,该文提出结合卷积神经网络（CNN）和共享权重长短期记忆网络（SWLSTM）的空时融合模型（CSWLSTM）,充分提取风速序列中蕴含的空域和时域信息,以提升预测精度。此外,为了获得可靠的风速概率预测结果,提出一种新的结合CNN、SWLSTM和高斯过程回归（GPR）的混合模型,称为 CSWLSTM-GPR。将CSWLSTM-GPR应用于中国内蒙古风速预测案例,从点预测精度、区间预测适用性和概率预测综合性能3个方面与相同结构的CNN和SWLSTM模型的风速预测方法进行比较。CSWLSTM-GPR的可靠性测试保证了预测结果的可靠性和说服力。实验结果表明,CSWLSTM-GPR在风速预测问题上能获得高精度的点预测、合适的预测区间和可靠的概率预测结果,也充分展现了该研究所提出CSWLSTM在风速预测方面具有较好的应用潜力。     

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XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

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%。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。