共查询到19条相似文献,搜索用时 62 毫秒
1.
基于ARMA模型的风电场风速短期预测 总被引:4,自引:1,他引:3
通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。 相似文献
2.
基于时间序列模型的风电场风速预测研究 总被引:1,自引:0,他引:1
基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高. 相似文献
3.
针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解(EEMD)和风速分量样本熵(SampEn)值,将风速分解重组为波动量和趋势量;应用人工鱼群算法(AFSA)优化小波神经网络(WNN)进行趋势量预测;应用改进非线性自回归(INARX)神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。 相似文献
4.
随着风力发电的快速发展,并且风力发电系统的出力与风电场风速存在着的特殊关系,使得对风电场的风速实现较准确的预测已逐步成为研究的热点。该文先提出一种简单的的风速预测方法,即将指数平滑法应用到风速预测,并验证了指数平滑法预测风速的可行性。此外,为了提高预测精度,还提出了两种新的组合预测的方法,即基于指数平滑和灰色模型(GM)的组合预测方法、基于自回归滑动平均(ARMA)模型和灰色模型的组合预测方法。实例计算结果表明,组合预测方法比单独的用一种方法的预测效果要好,尤其是基于自回归滑动平均模型和灰色模型的组合预测方法更具有优势。 相似文献
5.
由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法(fuzzy c-means,FCM)的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明:所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。 相似文献
6.
7.
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。 相似文献
8.
9.
介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。 相似文献
10.
为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解(SSD)和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。 相似文献
11.
12.
风力机系统的神经网络模型辨识 总被引:2,自引:1,他引:2
应用人工神经网络的建模方法,采用多层感知器的模型结构,利用自适应学习速率的BP学习算法,辨识出风力机系统的功能模型,并把辨识模型的仿真结果与系统实验测量数据相对比,开展了与经典系统辨识方法的比较研究,以检验神经网络模型的可靠性。实验结果表明,这种新的风力机系统建模方法具有很高的精度。 相似文献
13.
14.
15.
基于蚁群优化的最小二乘支持向量机风速预测模型研究 总被引:1,自引:0,他引:1
基于最小二乘支持向量机理论,建立风速预测模型。同时,由于最小二乘支持向量机参数选取尚无有效方法,该文尝试采用蚁群算法理论来进行参数优化选择。选取某风场前四天的实测风速(采样间隔30min),应用所建立的风速预测模型,来预测第五天的48个风速值,其预测的平均绝对百分比误差仅为9.53%,预测效果较理想,验证了应用蚁群优化算法理论与最小二乘支持向量机理论进行风速预测的可行性,可为风电场规划选址和风力发电功率预测等提供理论支持。 相似文献
16.
17.
18.
针对使用数值天气预报(NWP)数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制(Attenion)门控逻辑单元(GRU)数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。 相似文献