基于PCC-GRU-Attention组合风电功率超短期预测

由于风电出力具有随机性、波动性的特点,风电功率预测技术的研究对电力系统的安全稳定运行具有重要意义。提出一种基于PCC-GRU-Attention组合风电功率超短期预测方法,首先使用皮尔逊相关系数(pearson correlation coefficient, PCC)对数据预处理,选出高度相关性的特征作为输入,针对长短期记忆(long short term memory, LSTM)网络与门控循环单元(gated recurrent unite, GRU)网络处理长时序列易丢失序列信息的问题,通过GRU网络处理时间序列信息以及注意力(Attention)机制优化输出权重,与单一LSTM网络和GRU网络以及其它组合模型相比,有效提高了预测精度。     

基于TPA-MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力（time pattern attention,TPA）机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法（density based spatial clustering with noise,DBSCAN）和线性回归算法进行风功率数据集的异常值检测,利用k最邻近（k-nearest neighbor,KNN）插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。     

基于附加动量的小波神经网络风电功率短期预测

以风电功率预测为背景,将小波理论与神经网络结合,在BP神经网络模型的结构基础上构造了小波神经网络,并提出了基于附加动量法改进的小波神经网络。利用附加动量的小波神经网络建立天气预报数据与发电功率的映射模型,并进行实际预测。利用MATLAB进行仿真,验证了设计预测模型的实际可行性,并且预测精度满足相关要求。     

基于VMD-LILGWO-LSSVM短期风电功率预测

目的 为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法提出一种结合变分模态分解（VMD）、改进灰狼算法（LILGWO）和最小二乘支持向量机（LSSVM）的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差（mean absolute error,MAE）为2.706 8 kW,均方根误差（root mean square error,RMSE）为2.021 1,拟合程度决定系数（R-Square,R2）为0.976 9,与对比方法3～6相比,RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R2分别提升了4...     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.     

基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测

为提高风电功率的预测精度, 提出基于数据分解和输入变量选择的短期风电功率预测方法。利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)对原始风电功率和风速数据进行分解, 平缓数据波动以提取内部隐藏信息。通过排列熵算法(permutation entropy, PE)将风电功率分量简化重构以降低模型复杂度。为提升输入变量与风电功率之间的关联程度, 剔除冗杂信息, 降低输入数据维度, 结合Pearson相关系数(Pearson correlation coefficient, PCC)和灰色关联分析(grey relation analysis, GRA)对各风电重构功率分量的输入变量进行选择。最后利用基于注意力的时序卷积网络(attention-based temporal convolutional network, ATCN)对各重构功率分量进行预测, 将各预测值叠加得到最终结果。试验结果表明, 基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测方法能够提取更多风电数据内部的关键信息, 降低输入数据的维度, 强化输入变量与风电功率之间的关联性, 有效提高预测精度。     

基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解（VMD）与重构、卷积神经网络（CNN）挖掘多气象特征信息、长短期记忆网络（LSTM）预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明：该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。     

风电功率概率预测研究综述

从风力发电被人们应用起,风电功率预测一直是研究的热议话题.由于风能自身的波动起伏、随机不定,导致风电功率具有一定的不确定性.目前风电功率大部分研究针对其点预测,但考虑风电功率固有的波动特性,其点预测的预测精度有限.然而准确可靠的风电功率预测对于电力系统运行是必不可少的.鉴于风力发电的不确定性,概率预测提供了一种独特的方案,即:提前估算和量化风电并网对系统运行潜在的影响以及风险.故风电功率概率预测将会成为风电功率预测的热门方向.文中归纳总结了风电功率概率预测已有的研究成果,并对风电功率概率预测未解决问题及将来发展趋势进行展望.     

基于支持向量机的短期风电功率预测

风电场风速及风电机功率预测的准确性对电力系统运行有着重要的意义。基于支持向量机理论,结合江西省某风电场的风速和功率历史数据,建立了支持向量机风速预测模型,预测未来4 h的风速和功率。仿真结果表明:该模型预测的风速和功率平均相对误差分别为6.35%,16.83%,要优于BP神经网络的25.37%,25.43%。     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于DBN-Kalman-EC算法的 短期风电功率组合预测

提出一种基于深度置信网络(DBN)和卡尔曼算法(Kalman),结合误差修正算法(EC)的短期风电功率组合预测模型。运用经验模态算法(EMD)将原始风速序列分解,提取其主要特征,降低风速序列突变性;然后利用DBN法,通过构造两种不同的输入输出矩阵,得到pro_1和pro_2两种预测功率、bias_1和bias_2两种预测误差;接着将pro_1作为测量值、bias_1作为测量误差,将pro_2作为观测值、bias_2作为过程误差引入Kalman模型,得到预测结果 pro和预测误差bias;最后利用EC算法对pro和bias进行修正。仿真结果表明,DBN-Kalman-EC模型能有效中和bias_1和bias_2两种误差,降低了预测误差,修正预测值,有效地提高了短期风电功率预测的精度。     

基于局域一阶加权法的风电功率超短期预测研究

准确的风电功率实时预测,对电力系统安全、经济高效运行有着重要作用。基于相空间重构理论,提出了一种局域一阶加权法,以马式距离作为邻近相点的判据,权值的选择以邻近相点和参考相点的距离为依据,构建预测模型。以东北某风电场的实测风电功率时间序列为例,进行仿真分析,结果表明模型可有效地提高预测精度。     

基于相似曲线簇和GBRT方法的超短期风电功率预测

为了减少训练数据的冗余信息,提高风电功率预测的精度,提出了基于相似曲线簇和GBRT方法的超短期风电功率预测模型。首先对历史风速序列进行相似曲线簇的提取,采用相似离度作为相似性判据,对大量历史风速序列与测试集风速序列进行相似性的判断,继而找出相似性好的风速曲线簇以及曲线簇中每个风速点对应的功率,并将其作为最终的训练样本,然后采用梯度提升回归树(GBRT)模型进行风电功率的预测。用上海某风场的数据进行对比试验,结果表明,该方法能够明显提高超短期风电功率预测的精度,具有实际意义。     

风电功率超短期预测误差的非参数估计分布研究

准确的风电功率预测有利于含大规模风电电力系统的安全可靠、持续稳定运行,掌握风电功率预测误差的分布特征,对风电大规模并网有重要意义.以吉林省某风电场的实测数据为例,对风电功率进行超短期预测,利用非参数估计对预测误差分布进行拟合,分析了非参数估计与预测方法、预测时间间隔、预测误差概率分布形态以及风电场装机容量的关系,验证了所提出方法的有效性.     

风电功率超短期多步预测误差评估及分析

超短期风电功率预测误差分析有助于改进预测精度,进而降低风电不确定性对电力系统带来的不利影响.以LSTM模型为例,对超短期多步预测的误差特性进行分析.首先,对超短期风电功率预测误差进行静态特性分析,研究了预测误差随预测步长的动态变化特性;然后,提出了数值天气预报在超短期风电功率预测中的误差占比定量评估模型;最后,提出了一种综合考虑形状和时间损失的神经网络损失函数,降低由于输入信息不足引起的时滞和幅值误差.结合吉林省20个风电场的实测数据,对风电功率多步预测误差特性进行全面分析,为风电功率多步预测模型的评估、修正提供了参考.     

基于相似日和特征提取的短期风电功率预测

为提高短期风电功率预测精度,增强预测模型对特定天气状况的代表性和适应性,提出一种基于离散Fréchet距离与核熵成分分析(KECA)相结合的数据处理方法。通过引入离散Fréchet距离,建立匹配相似日的数学模型,提取与预测日相似的样本,使用KECA从多种气象要素中提取合适的非线性主元作为支持向量机(SVM)模型的输入。实验结果表明:所提出的方法明显提高了预测精度并具有一定的适用性。     

基于经验模态分解的风电功率短期预测方法

采用经验模态分解和滚动神经网络相结合的方法对风电功率时间序列进行短期预测。通过经验模态分解将信号分解成有限个固有模态函数(IMF)之和,利用多个神经网络对各IMF进行预测,同时采用滚动学习的方法修改权值和阈值,最后重构得到完整的预测结果。通过对内蒙古赛罕坝风电场的发电功率进行仿真预测,证实了该模型的有效性,与persistence模型相比较,平均绝对误差从12.55%降低到10.20%。