基于EEMD-HS-SVM的短期风功率组合预测模型

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一。文章建立了基于EEMD-HS-SVM短期风功率组合预测模型。采用EEMD分解技术对原始风功率序列做信息特征提取处理,将原始信号梯度化分解为一系列特征互异的本征模态函数,运用复杂统计理论体系下的样本熵作为特征,将特征相似的本征模态函数归类为尺度相异的新模态分量,根据新模态分量的局部特征与变化趋势,建立与之相对应的SVM预测模型。提出采用和声搜索算法优化SVM模型参数,有效改善了SVM算法存在的结构参数难以确定、训练效率低的不足。算例分析表明,EEMD-HS-SVM模型在风功率预测中具有较高的预测精度和预测效率。     

基于小波分析和PSO优化神经网络的短期风电功率预测

针对风电场风速和风电功率序列起伏波动大、无明显变化规律等特点以及传统神经网络收敛速度慢、易陷入局部极小值等缺陷,提出了基于小波分析和改进粒子群算法优化神经网络的短期风电功率预测方法。首先,通过小波方法将用于神经网络训练的历史风速和风电功率序列进行分解,再针对风速和风电功率的各个分量分别建立相应的神经网络模型,采用分期变异粒子群算法对各个分量的神经网络学习算法进行优化,最后将各个分量的预测值进行小波重构得到风电功率预测结果。江苏如东某风电场风电机组的实验结果证明预测精度较传统神经网络方法有较大提高,验证了所提出方法的有效性。     

基于小波变换和时间序列的风功率超短期预测模型研究

为提高风功率超短期预测模型的精确度,利用小波变换将原始风功率时间序列进行分解和重构,得到相应的高频序列和低频序列。对不同序列建立相应的自回归移动平均模型,并且进行拉格朗日乘子检验,验证是否具有拉格朗日乘子效应,从而建立相应的自回归条件异方差模型或广义自回归条件异方差模型,将所得的预测结果进行线性叠加组合得出最终结果。通过算例分析及与其他几种预测模型预测结果的对比,结果表明小波变换和时间序列结合的风功率超短期预测模型可以有效提高风功率超短期预测精度。     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型.BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重.最后采用内蒙古自治区某风电场的历史数据进行提前0～15 min试验.结果表明,提出的IPSO-BiLST...     

基于MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

基于NACEMD-Elman神经网络的风功率组合预测

在电力系统中风电装机容量增长的背景下,高精度的超短期风功率预测是保证系统可靠运行的重要基础。为此,提出一种以复数据经验模态分解的噪声辅助信号分解法(NACEMD)和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用NACEMD将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络对各分量建立预测模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。实例分析表明,提出的组合预测法既可进一步减轻现有方法中存在的模态混叠现象,具备较高的预测精度。研究成果可为风功率预测提供参考。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于MAC-WD-CNN-MCNN模型的超短期负荷预测

为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于ARMAX-GARCH模型的微电网风功率预测

目前风功率预测多为风功率期望的点预测,且以采样间隔较大的功率序列作为建模序列,这样会降低预测模型对风功率时序特征模拟的准确度和可信度。文中基于小采样间隔风功率序列,提出ARMAX-GARCH风功率预测模型。通过构造风功率新息序列,结合小时平均风功率序列,建立ARMAX点预测模型,采用BIC最小信息准则和相关性分析实现模型定阶和外生变量选择;采用GARCH模型模拟残差的波动特性实现区间预测。以海岛微电网实测风功率数据为例,进行提前1 h风功率预测。结果表明,与持续法、ARMA和RBF神经网络相比,该预测模型能显著提高风功率期望的点预测精度并具有较好的区间预测效果。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类，但点值预测方法难以适应光伏功率的随机性和波动性，因此，该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先，通过灰色关联度筛选出不同环境条件的相似日样本集，并利用EEMD将光伏出力序列分解成不同的本征模态函数；然后，利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化，并利用分位数回归法对光伏的输出功率进行短期区间预测；最后，通过算例数据验证所建立模型的有效性。     

基于改进麻雀搜索算法的光伏功率短期预测

为提高光伏输出功率预测精度、保证电网的优化调度和稳定运行，提出一种改进麻雀搜索算法（SSA）的光伏输出功率预测模型。首先，对实验平台收集到的历史数据进行分析，得到关键气候影响因素；然后，用经验模态分解和主成分分析法对数据进行维稳和降维处理；并建立改进麻雀搜索算法的BP神经网络预测模型；最后，进行实例验证。结果表明，该预测模型在敛散精度方面有所提升。     

基于人工神经网络的风电场短期功率预测

基于人工神经网络法(ANN)对内蒙古某风电场短期输出功率进行了预测研究,给出了较详细的实现过程,并比较了单一ANN预测方法和基于物理方法与统计方法的混合ANN预测方法的预测精度.计算结果表明,单—ANN预测方法能快速给出预测结果,但预测精度较低,均方根误差为10.67％;而混合ANN预测方法步骤较多且较费时,但预测精度较高,均方根误差为2.01％,不到单一ANN法的1/5.同时,针对预测过程中小于5m/s的小风速段和大于15m/s的大风速段所呈现的预测误差较小的原因进行了深入分析.     

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。     

基于改进麻雀搜索算法优化深度学习网络超参数的短期风电功率预测

提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。