基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于Adaboost的BP神经网络改进算法在短期风速预测中的应用

进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。     

基于融合模型的风电场输出功率短期预测方法

风电场功率短期预测对并网风力发电系统的运行有着重要意义,在考虑风速、温度、海拔等影响风电功率的主要因素的基础上,为提高风电场短期输出功率的预测精度,提出基于风速与风电功率的融合预测模型。首先针对风电功率的直接预测,采用自回归时间序列和广义回归神经网络的组合模型来预测;然后再利用该组合模型预测风速,根据风速与风电功率的关系间接求出预测的风电功率;最后将前两种组合预测模型进行再次组合,得到融合预测模型。以吉林洮北风电场的短期功率预测为例,运用Matlab软件编程实现本文所提出的算法,验证模型的准确性与可行性,得到融合预测模型的预测相对误差为7.156%,可有效提高大型风电场输出功率的预测精度。     

基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。     

基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型

为了合理利用风电,提高电网的稳定性、经济性,需要对风电的输出功率进行有效预测;然而,单一模型的预测结果精度不高。提出一种基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型。该模型采用Kalman滤波算法对风速进行滤波处理,通过相空间重构来确定风速序列的延时时间和嵌入维数;并利用Elman神经网络建立了预测模型。仿真实验表明,该模型预测精度有了明显提高。     

一种基才多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型。该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力。为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络．采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值。仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型。     

一种基于多方法组合的新型等值附盐密度预测模型

为了克服目前预测等值附盐密度的三种单一预测模型,即多元线性回归法,BP神经网络法和最小二乘支持向量机法存在的问题,以光传感器输变电设备盐密在线监测系统提供的数据为依据,建立了基于小波神经网络的一种等值附盐密度的非线性组合预测模型.该模型为单输出的3层小波神经网络,即将多元线性回归,BP神经网络及最小二乘支持向量机的预测结果作为模型的输入,实际测量值作为输出,使训练的网络具有预测能力.为了更好地反映单一模型预测值对等值附盐密度的影响及提高等值附盐密度的预测精度,选用Morlet小波构建小波神经网络,采用误差反向传播学习算法来训练网络,利用遗传算法确定网络参数的初始值.仿真结果表明本模型预测精度不仅高于任一个单一预测模型,而且高于线性组合预测模型.     

基于改进粒子群组合算法的电网基建年度投资预测

利用SPSS软件对基建投资的主要影响因素进行了分析,并分别利用多元线性回归法、BP神经网络法、灰色系统理论法对基建投资进行了预测。为了获得更加准确的预测结果,采用了一种基于改进粒子群的组合算法,将3种方法的预测结果进行优化组合,得到最终的预测值。经过算例分析表明,该方法能够有效提高预测精度,得到较好的预测结果。     

基于动态权值相似日选取算法的短期负荷预测

提出了一种基于动态权值优化的相似日选取算法和灰色GRNN串联组合模型的短期负荷预测方法。采用动态权值相似日选取算法,在考虑不同地区和季节对短期负荷的影响时,引入改进的果蝇优化算法(MFOA),动态调整各因子的权值,增强了相似日选取算法的适应性和有效性。选取出相似日后,采用灰色模型和广义回归神经网络(GRNN)串联组合的短期负荷预测方法,并通过改进的布谷鸟(MCS)算法对GRNN平滑因子进行优化,组合模型改善了单一模型预测精度的稳定性。实例预测结果验证了该方法的有效性。     

基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究

准确的风速预测对风电场实现平稳出力具有重要意义。为提高短期风速预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、套索算法(Least Absolute Shrinkage and Selection Operator, LASSO)、遗传算法(Genetic Algorithm, GA)、广义回归神经网络(General Regression Neural Network, GRNN)和长短期记忆模型(Long Short-Term Memory,LSTM)的短期风速变权组合预测模型(Variable Weighted Hybrid Model, VWHM)。首先运用集合经验模态分解技术,将原始风速时间序列分解成多个不同的子序列。然后运用套索算法对各个子序列的数据变量进行筛选,提取代表性变量作为预测输入。最后利用GA的全局优化能力,对由GRNN和LSTM构成的组合预测模型的权重系数进行移动样本自适应变权求解,并加权得到最终预测结果。仿真结果表明,所提的变权组合模型比单一模型以及传统组合模型具有更高的预测精度,且在风速预测中具有优越性。     

基于改进灰色神经网络组合模型的光伏电站短期出力预测

针对单一灰色模型和神经网络模型自身的缺陷对传统灰色神经网络组合模型预测精度的影响问题,提出一种基于改进的灰色神经网络组合模型的光伏电站短期出力预测方法。通过把历史日最高和最低气温以及功率数据作为输入,将改进后的单一灰色模型和神经网络模型进行串联组合。采用粒子群优化算法对该组合模型的权值和阈值进行优化,得到改进的灰色神经网络组合模型,可实现提前一天功率预测。某光伏电站群的实测数据验证了该预测方法能够有效提高预测精度。     

基于相似性算法的超短期风速预测

超短期风电功率预测对接入大规模风电的电力系统实时调度具有重要的意义。根据风电功率的影响因素和风速周期变化的特性,提出了基于相似时段的训练样本提取方法。以数值天气预报信息(NWP)作为模型输入,建立了广义回归神经网络(GRNN)预测模型。利用黑龙江依兰风电场的数据进行训练和预测,并将预测结果与全样本的广义回归神经网络预测方法进行对比,结果表明,相似性模型的预测精度最高,比全样本GRNN模型预测精度提高了7.72%,该方法对风电场超短期风速预测具有一定的实用价值。     

基于经验模式分解的神经网络组合风速预测研究

为了提高风电并入电网的安全性,需要对风功率进行提前预测。风速预测是风功率预测的关键,而风速的不稳定性是预测的难点。为了降低风速的不稳定性,提高预测精度,提出经验模式分解法将风速分解并重组成2组不同的序列,对高频分量采用神经网络组合预测,剩余分量采取BP神经网络预测,并对两分量预测结果等权相加得预测结果。针对不同的样本进行建模预测,验证了该方法的适用性。并比较了GRNN、BP、LS-SVM 3种方法不同组合方式的预测精度,证明了在该组合方法中3种方法优势互补。     

基于WNN-GNN-SVM组合算法的变压器油色谱时间序列预测模型

分析了小波神经网络(WNN)、灰色神经网络(GNN)、支持向量机(SVM)预测方法的原理,利用粒子群优化(PSO)算法对这3种基本预测方法进行了结构参数优化。将WNN、GNN、SVM与PSO-BP算法进行组合,推导得出了组合预测模型最优权系数的计算方法,并优化了组合预测模型拓扑结构参数。算例分析结果表明:经过PSO算法优化后,WNN、GNN、SVM预测模型的预测精度得到了提高,其组合模型较单一模型有更高的预测精度。     

基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于离散Hopfield模式识别样本的GRNN非线性组合短期风速预测模型

利用实时风速数据,建立基于离散Hopfield模式识别样本的广义回归神经网络(GRNN)非线性组合预测模型。在风速数据样本集经二维小波阈值去噪处理后,基于离散Hopfield识别历史数据中与待预测样本最相似的数据,并作为训练样本;将支持向量机、BP神经网络和Elman神经网络分别进行单项预测的结果作为输入向量,经GRNN进行非线性组合预测。采用某风电场的实际风速数据进行预测,结果验证了该预测模型的正确性和有效性。     

基于改进的小波-BP神经网络的风速和风电功率预测

为了提高超短期风电功率预测精度,使用改进的小波-BP神经网络方法进行研究。针对预测模型普遍存在的延时问题,先通过离散小波变换将信号分解为高低频段的信号,再用遗传算法优化的BP神经网络分别进行建模,最后求和各层预测信号。由于功率和风速具有混沌特性,用C-C法联合优化重构相空间的参数,以嵌入维数为神经网络输入层节点数。应用于山东某风电场,仿真结果表明,与BP神经网络模型相比,该算法预测风速和功率精度较高,但风速预测值经过实际功率曲线转换后,功率预测精度变差。     

基于CEEMD和膜计算优化支持向量机的风速预测

为提高预测的可靠性和准确性,提出一个基于模态分解理论和膜计算优化算法的混合模型用于风速预测。与现有的风速预测方法相比,该模型提高了预测精度。该模型包括3个主要步骤:为了简化数据的复杂度,通过互补集合经验模式分解(CEEMD)将原始风电功率时间序列分解成几个固有模态函数(IMFs);对每个IMF分量单独建立膜计算优化算法优化支持向量机(MCO-SVR)的模型进行预测;叠加全部IMF分量的预测值作为最终的预测结果。建立包括单一的支持向量回归机模型、不同分解方法以及相同的分解方法但使用不同的优化算法在内的9种基本模型,来验证所提出的混合模型的优越性。实证研究表明,所提出的混合模型在预测精度上显著优于其他的基本模型。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差(MV)法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明:组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。