基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。     

基于时间序列与支持向量机的风电场风速预测研究

介绍时间序列法与支持向量机用于风速预测的理论基础,通过Matlab软件,利用风电场采集得到的风速数据,建立时间序列法与支持向量机模型,对这2种方法在风电场风速预测中的应用进行了研究和比较。仿真结果表明,这两种方法都有效,但支持向量机风速预测精度更高,预测结果更好,具有一定的实用价值。     

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。     

风电场短期风速预测的MRA-SVM模型

为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型。模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值。通过对某风场10 d的实测风速进行分析,预测了未来4 h的风速。用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度。实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测。     

基于高斯过程回归的短期风速预测

准确预测风速能有效减轻风电场对整个电网的不利影响,提高风电场在电力市场中的竞争能力。为了提高风速预测的精度,提出一种基于高斯过程(Gaussian processes,GP)的风速预测模型。首先运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数,进而对混沌风速时间序列进行相空间重构。其次运用GP模型对重构后的风速时间序列进行训练,同时在贝叶斯框架下,确定协方差函数中的"超参数"。最后利用训练好的GP模型风速时间序列进行预测,并与支持向量机、最小二乘支持向量机和BP神经网络进行比较。仿真结果表明,基于GP的风速预测模型具有很好的稳定性,能够满足预测精度的要求,具有很大的工程实际应用价值。     

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机（RVM）的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机（SVM）模型相比,RVM模型预测精度更高。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

基于遗传算法和最小二乘支持向量机的风电场超短期风速预测*

考虑到风电场风速的非平稳性、非线性特征及风电场风速实测数据存在异常现象,提出利用改进小波变换方法对风速序列数据进行分解与降噪处理,以降低其不稳定性.针对最小二乘支持向量机算法在参数确定依赖人为因素的缺陷,提出一种采用遗传算法对最小二乘支持向量机模型的惩罚系数和核函数参数进行寻优,构建基于遗传算法和最小二乘支持向量机的超短期风速组合预测模型,对小波变换分解后的各子序列数据分量进行预测,并将各子序列的预测结果叠加进而获得超短期风速的预测值.最后,通过算例验证了所提模型及方法能有效提高超短期风电场风速的预测精度.     

基于CFA优化最小二乘支持向量机的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种改进的萤火虫算法优化最小二乘支持向量机的风速预测模型,利用自适应惯性权重和混沌搜索机制提高基本萤火虫算法的全局收敛能力。分别采用IPSO-LSSVM和CFA-LSSVM预测模型对历史时序数据进行提前1 h风速预测,通过与实测数据对比进行误差分析,结果表明CFA-LSSVM模型具有更高的预测精度。     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

基于ISMC-PSO的风电爬坡输出功率预测系统的研究

目前风电场都是使用单一的功率爬坡预测模型,其泛化能力较差,预测精度低。通过分析支持向量机和极限学习机两种单一功率的爬坡预测模型,研究了这两种模型的权值选取方法,提出了一种组合功率爬坡预测模型。该模型使用基于粒子群算法的改进算法对上述两种单一模型的权值进行权重优化,形成了一种新的高精度的预测系统。然后对该系统进行建模仿真。仿真结果验证了该预测模型的有效性,其预测精度较之单一的预测模型有了很大的提高。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

垂直轴SRG风力发电系统MPPT动态滑模控制研究

以垂直轴风力机与开关磁阻发电机(SRG)为对象,研究了基于风速跟踪的垂直轴开关磁阻风力发电系统MPPT动态滑模控制(SMC)算法。介绍了SMC原理,设计了系统动态滑模控制器,采用Matlab/simulink建立了系统仿真模型,对风速阶跃变化的不同工况进行理论仿真实验。仿真结果表明,所设计的SRG风力发电滑模控制器具有良好的鲁棒性,能使开关磁阻风力发电系统具有良好的动态性能实现风力机最大功率点跟踪,为实际应用提供理论支持。     

基于PSOGSA全参数连分式的风速预测模型

风的间歇性和时变性限制了风电场的发电能力,准确的风速预测有助于减小风力发电入网对电力系统的运行方式安排带来的影响。针对风速时间序列存在的复杂变化和混沌特性,为了提高预测精度和简化预测数学模型结构,提出一种结合万有引力搜索算法(GSA)全局寻优能力和粒子群优化算法(PSO)的局部快速收敛优势的全参数连分式预测模型。将n项截断式连分式转化为PSOGSA优化参数问题,进行多维空间上函数的优化。以风电场风速采集两组数据为预测对象,通过对复杂风速时间序列建模仿真,并利用基于PSOGSA优化的全参数连分式对序列进行多时间尺度的预测。仿真结果分别与传统的BP神经网络、RBF神经网络、当前时间序列预测利用较多的长短期记忆网络算法(LSTM)和粒子群优化支持向量机(PSO-SVM)进行对比得出：基于PSOGSA的全参数连分式预测模型具有精度高、结构简单和建模速度快等特点,具有更强的非线性预测能力。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

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。     

基于混沌理论的风电功率超短期多步预测的误差分析

风电功率对电力系统的安全运行、合理调度等方面有不可忽视的影响。掌握风电功率预测误差的分布特性,对风资源的大规模开发利用具有重要意义。利用两种混沌预测方法进行风电功率超短期的预测。并且以东北某风电场的实测风电功率数据为例,分析了超短期风电功率预测误差的概率分布、预测误差与超前预测步数之间的关系、预测误差与风电场出力情况之间的关系以及预测误差与装机容量之间的关系。该研究为揭示风电功率超短期多步预测的误差构成及修正奠定了理论基础。     

基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法

为实现高精度的短期风速预测,提出一种基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法。在信号处理阶段,利用时变滤波经验模态分解技术将原始风速序列分解为若干子模式以降低其不稳定性。然后采用混合粒子群算法对每一个子模式进行特征提取,接着利用多分位鲁棒极限学习机分别建立预测模型并利用混合粒子群算法进行参数优化,最后对每个子模式的预测值进行聚合计算得到最终的预测结果。仿真结果表明:在考虑使用混合粒子群算法进行特征提取和模型参数优化后,所提方法具有更高的预测精度。同时基于时变滤波法的经验模态分解技术能够进一步提高预测准确性。     

基于多重分形谱和支持向量机的风电机组行星齿轮箱故障诊断与研究

风电机组行星齿轮箱振动信号是一种典型的非平稳、非线性信号,传统故障检测方法对于此类信号处理能力有限。为了克服传统方法的不足,提高故障诊断能力,提出了一种基于多重分形谱和支持向量机相结合的故障检测方法。首先通过多重分形定义求取信号的多重分形谱。然后在多重分形谱中提取八个特征量。最后将特征量作为支持向量机的输入向量,实现了在不同转速情况下对正常信号和四种太阳轮故障信号的分类与识别。实验结果证实了所提方法对行星齿轮箱信号特征进行提取是有效的,在不同转速情况下均提高了故障识别率。