上海市发电量叠合预测模型的研究

分析了上海市发电量数据的特点,给出了叠合模型。应用2阶对称滑动平均方法提取了趋势项。根据叠合模型可进一步分解出周期项和随机项。利用数据资料对上海市发电量作了实例计算。并将叠合模型与ARIMA的预测结果进行了比较。预测结果表明此方法简单有效。对于含有趋势性和周期性的时间序列辨识、预测具有一定的参考价值。     

基于ARMA模型的水电站概率性发电量预测

水电站发电量通常具有较大的随机性，水电站的发电量的预测对于水电比重较大的电网结构具有重要的意义。本文首先对某水电站的年发电量序列进行分析，然后根据分析结果提出了基于ARMA模型的水电站概率性发电量预测方法。该方法对随机性较大的负荷进行预测可获得有价值的结果。     

计及故障时间的神经网络风力发电量预测

风电是可再生能源的一种重要形式,随着越来越多的风电并入电网,发电量的预测对电网的稳定性变得格外重要,为了得到更高的预测精度,提出了一种将天气因素和故障时间相结合的两段式风力发电量预测的方法。结合湖南省某风力发电场的实际生产数据,分别运用神经网络结合时间序列的方法对故障时间进行预测,以及GRNN神经网络方法对发电量进行预测。提高了风力发电量预测的精度,延长了预测时间,证明了方法的可行性。     

水电厂厂用电与发电量关系

近年来,随着节约型社会的提倡,发电机组的发电成本越来越被各个电厂所重视,而作为发电成本中重要的厂用电部分,随机组发电量和季节变化而变化。而丰满发电厂2005年5月~2006年4月发电量和厂用电数据进行采集比较,采用最小二乘法进行分析,验证了三者存在着一定的线性关系。     

基于时间序列的WD-LS-SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

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。     

基于稳健估计时间序列法的风功率预测

基于稳健估计运用时间序列法对风电场出力进行了短期预测。先对数据进行了预处理,用最小二乘法和稳健估计法分别建立了自回归滑动平均模型。通过模型提前预测了下个30min的风电场出力,总共预测了10次。结果表明,基于稳健估计的时间序列建模进行预测的误差大多数都在5%以内,只有一个点达到10.1%,明显比常规的时间序列建模预测的误差要小。说明稳健估计能在建模数据含有少量异常值时,比常规自回归模型预报精度要高。     

基于提升小波的时间序列分析法的电力负荷预测

为了合理分配电能和规划电网运行,需要对居民小区电力负荷进行精确预测。提出了一种基于提升小波的时间序列分析法进行电力负荷预测,采用提升小波对居民小区电力负荷进行主要特征量提取,避免了用电量数据随机性和波动性的干扰;运用时间序列法对经过提升小波去噪后的电力负荷序列,求取自相关和偏相关系数,确立相应数学模型,预测未来时刻的用电量。最后,利用上海嘉定某小区的历史负荷大数据进行了比较和分析,验证了方法的有效性。     

基于支持向量机的区域电网光伏发电量预测研究

光伏发电量预测通常依赖于历史数据,数据的采集和质量存在差异,不同数据源可能存在误差,这会导致预测结果的不准确,因此提出基于支持向量机的区域电网光伏发电量预测研究。首先预处理光伏发电量数据,通过数据链的平滑划分,再对光伏单位进行归一化处理,进而对不符合常规的发电站数据进行检测,填补数据空缺后导入支持向量机的预测模型,最后在模型优化中实现区域电网光伏发电量的预测。实验中实验组的预测精度为92.37%,基于改进萤火虫算法的预测方法的预测精度为85.43%,基于灰色关联与麻雀优化算法的预测方法的预测精度为74.66% 。实验结果表示所研究的方法能对光伏发电量进行较精确的预测,可投入使用。     

多维时间序列应用于在线监测数据处理

以测量数据中广泛应用的最小二乘原理为基础 ,详细阐述了多维自回归 (AR)序列参数估计的最小二乘算法和阶数确定的FPE准则 ,并将此法应用于电容型设备的在线监测数据处理 ,分析了各相关物理量之间的影响关系。     

基于时间序列的WD LS SVM的风速周期预测模型研究

风速的随机性、波动性很大,所以风速的大小和很多因素有关,风速预测的准确率不高。针对这种现象,提出了一种基于时间序列和小波分解的最小二乘支持向量机的短时间的风速预测方法。通过小波分解对数据进行平稳性处理,将分解后的分量分别作为模型的输入,进行预测。最小二乘支持向量机的预测值和实际风速值基本上保持一致,误差保持在一定的较小范围内。通过与简单的支持向量机的仿真结果做对比,同时也验证了模型的有效性和可行性。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

融合时间序列趋势的Dual-ESN机组负荷预测模型

针对传统模型在机组负荷预测中无法充分捕获内部多变量演化模式的问题,提出了一种基于时间序列的趋势和数值信息融合的双重回声状态网络Dual-ESN(dual-echo state network)机组负荷动态预测模型。首先,引入最小二乘法,对相关的多元历史信息按照局部时间跨度进行趋势拟合。进一步,得到有关过程变化的模式序列,并和原本的数值分别被送入两个独立的储备池,以并行的时间维度进行特征学习。其次,将隐层的高维空间状态送入输出层,融合信息,得到所需要的预测结果。最后,基于山西某工厂660 MW机组装置的真实数据集,进行验证。对比已有预测方法,结果表明所提预测模型在多种性能指标上均有提升。     

统计技术应用时间序列分析

简要介绍时间分析方法的概念、基本思想、用途以及局限性和注意事项,并结合NINITAB软件举例说明该方法的运用.     

统计技术应用 时间序列分析

简要介绍时间分析方法的概念、基本思想、用途以及局限性和注意事项,并结合MINITAB软件举例说明该方法的运用。     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。     

基于时间序列分析的风电场风速预测模型

风速预测是风电场规划设计中的重要工作因风速序列本身已经具有时序性和自相关性．提出了基于时间序列分析的风电场风速预测模型。为了检验时间序列分析模型的有效性．使用了信息准则AIC(An Information Criterion)函数在算例中,将预测风速的分布特性与实际风速分布特性相比较,验证了文中提出的时间序列模型用于风电场风速预测的可行性。     

时间序列分解在短期电价分析与预测中的应用

为了提高短期电价预测的精度,将电价分解成工作日电价和周末电价两个时间序列,并且,通过移动平均法和离散傅立叶变换,分别将这两个时间序列分成趋势分量、周期分量和随机分量三个组成部分,然后,分别采用移动平均法、外推法和最小二乘支持向量机对这三个组成部分进行预测以求得两个电价时间序列未来的预测值.仿真结果表明,与采用传统BP神...     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。