基于小波Elman神经网络的短期风速预测

采用小波理论和Elman神经网络相结合的方法对风速进行短期预测,建立小波Elman神经网络预测模型。为了避免梯度下降法存在收敛速度慢、易震荡、陷入局部极小值等缺点,在神经网络学习过程中采用LM(Levenberg-Marquardt)算法和附加动量项法。通过实例分析,与小波BP神经网络模型进行比较,表明该模型具有较强的逼近和容错能力、较快的收敛速度、较好的预测效果。     

基于改进Elman神经网络的风速预测

指出风速预测对并网风力发电系统的运行有重要意义。为提高风速预测精度,提出了一种基于改进的Elman神经网络风速预测方法,利用误差反向传播的方法来确定反馈增益γ值。分别采用改进Elman神经网络与BP神经网络建立模型,对实际历史风速数据进行仿真预测。利用风电厂实际数据验证,并阐述了仿真结果。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

基于粗糙集理论的遗传神经网络风速预测模型

风速预测对风电场和电力系统的运行具有重要意义。为了提高风速预测的精度,提出了一种新的风速预测方法——基于粗糙集理论的遗传神经网络模型。由于影响风速预测的因素很多,利用粗糙集理论的属性约简对神经网络输入的影响因素进行约简,识别出与预测风速相关性较大的影响因素作为输入量,减少了神经网络的计算量;利用全局搜索能力强的遗传算法对神经网络的初始权值进行优化,克服了神经网络收敛速度慢和容易陷入局部极小的缺点。实例结果表明该算法能够有效地提高预测的速度与精度,证明了该方法在风速预测中的可行性和有效性。     

基于粗糙集理论的中长期风速预测

在中长期风速预测中,正确处理相关因素的影响是提高风速预测精度的关键。该文提出一种粗糙集理论预测方法。利用粗糙集理论分析出风速预测的主要影响因素,将其作为中长期风速预测模型的附加输入,建立粗糙集神经网络预测模型。利用黑龙江某风电场的数据进行训练和预测,并将预测结果与单纯的混沌神经网络预测方法和持续模型方法进行对比,结果表明,粗糙集神经网络模型的预测精度最高。粗糙集方法在中长期风速预测中将是一个有用的工具。     

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。     

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 1 h 和 24 h 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。     

基于主成分—遗传神经网络的短期风电功率预测

短期风电功率预测对接入大量风电的电力系统运行具有重要的意义,建立了基于主成分分析与遗传神经网络相结合的短期风电功率预测模型。该模型先对原始输入数据进行主成分分析,分析结果作为神经网络预测模型的输入;为克服BP神经网络训练时间长、易陷入局部极小值的的缺陷,采用遗传算法优化神经网络的初始权值和阈值,并使用Levenberg-Marquardt算法对网络权值和阈值进行细化训练。经某风电场实际数据验证,与GA神经网络模型、PCA-LM神经网络模型相比,预测精度明显提高,为短期风电功率预测提供了一种有效的方法。     

基于主成分分析和谱聚类的短期风功率预测

风电场的大规模建设使得风电渗透率大大提高,为保证系统的安全稳定运行及风电消纳,需要对风电功率进行预测。为解决传统预测方法中数据维度过高的问题,提出一种基于主成分分析和谱聚类进行数据降维的预测方法。首先,基于主成分分析提取风电场各机组功率序列的主成分,实现对功率样本信息和预测对象的降维;其次,考虑风速波动特性和各机组的空间分布特征,对风速信息进行谱聚类,以实现样本数据的进一步降维;然后,基于风功率主成分信息与风速聚类结果,建立基于Elman神经网络的风电功率主成分预测模型,并通过逆变换最终得到风电场各机组功率的预测结果。利用江苏南通某海上风电场实际数据验证该方法,结果表明,预测结果的均方根误差明显降低,所提方法可以提高风电功率预测精度。     

基于EMD与粗糙集及神经网络相结合的短期负荷预测

为了提高预测具有周期性和随机性的电力负荷精度,提出了一种基于经验模式分析(EMD)与粗糙集及神经网络相结合的短期负荷预测方法.该方法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量.考虑影响电力负荷的气象因子和模式分量信息量较大,利用粗糙集进行了属性约简,约简后的各个分量采用相匹配BP神经网络模型分别进行预测,然后,相加各分量预测值得到最终预测结果.仿真试验表明,该方法与EMD - BP模型预测方法相比,具有较高的精度和较强的适应能力.     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

基于模糊神经网络的风速预测研究

针对风速的不确定性给保障风力可靠性发电带来很大困难的问题,采用模糊神经网络的方法对大型风电场的风速进行预测,利用T-S模糊系统和神经网络的知识构建模糊神经网络预测模型,将风电场风电机组附近的气温、气压、空气湿度和风向等环境参教与风速预测模型的输入,对提前4小时和提前一天的风速进行预测,仿真结果表明该方法具有很高的精度.     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于FOA-Elman神经网络的光伏电站短期出力预测模型

提出了基于果蝇优化算法(FOA)-Elman神经网络的光伏电站出力短期预测模型,采用具有动态递归性能的Elman神经网络,可增强光伏电站出力预测模型的联想和泛化推理能力,保证出力预测的精度。引入人体舒适度,减少输入向量个数;通过FOA对Elman神经网络进行学习训练,可充分利用FOA的全局寻优性能,克服常规学习算法易于陷入局部最优解、收敛速度慢、编程复杂等缺陷。最后,与常规Elman模型进行对比仿真实验,结果表明所提出预测模型的正确性和有效性。     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于主成分分析L-M神经网络高峰负荷预测研究

在论述电网高峰负荷预测重要性和特点的基础上,将高峰负荷样本,按节气工作日和节假日样本进行聚类,从输入空间入手,采用主成分分析法,减少输入向量的维数,并保留原来输入向量的有用信息,再利用L-M优化算法的多层神经网络预测模型对辽宁电网高峰负荷进行了模拟预测,预测精度令人满意。     

基于粗糙集与模糊神经网络的变压器故障诊断方法

将基于粗糙集理论的模糊神经网络，应用于变压器故障诊断中，充分利用粗糙集理论对知识的约简能力模糊神经网络优良的分类能力，首先利用粗糙集方法对原始数据进行约简，形成精简的规则集，以此基础构建的模糊神经网络结构完全是由粗糙集最终约简规则决定的，具有良好的拓扑结构，网络规模大大减少，学习速度大为提高，而且保持了网络较好的分类能力。