基于CGKELM的风功率预测研究

风功率预测在不同应用场景中发挥着越来越重要的作用,从时间尺度上可分为超短期、短期和中长期的风功率预测。基于短期风功率预测对训练时间和预测精度均有较高要求,提出了一种利用共轭梯度(cconjugate gradient,CG)法优化核极限学习机(kernel extreme learning machine,KELM)的方法,即利用共轭梯度核极限学习机(CGKELM)方法来预测风功率,在保证预测精度的前提下,进一步缩短KELM的训练时间。通过利用某风电场的实测数据进行仿真,以均方根误差和相对标准差作为评价指标,将仿真结果分别与反向传播(BP)神经网络、最小二乘支持向量机(LSSVM)和其他KELM方法得到的结果进行比较。研究结果表明：在短期风功率预测方面,CGKELM训练时间比其他方法短,且参数设置简单。该结果证明了CGKELM的有效性,对风电项目的投资决策具有一定的参考价值。     

基于EEMD去噪和集对理论的风功率实时预测研究

提出一种基于整体平均经验模态分解(EEMD)去噪和改进秩次集对分析的风电功率实时预测模型。首先利用EEMD将风电功率时间序列进行分解,得到有限个本征模态分量(IMF)和一个趋势分量;然后将高频IMF分量中与原始序列相关性较小的分量作为噪声滤除,将余下的分量进行重构得到消噪序列;最后利用秩次集对分析法对消噪序列进行预测。在建立秩次集对分析预测模型时,考虑风电功率幅值在建立联系度中的作用,改进联系度的建立过程。采用3个不同装机容量的风电场的实测风电功率数据进行仿真实验,结果表明:该文所提出的预测模型具有优越的预测性能,并显示出良好的普适性。     

风电场风功率实时预测效果综合评价方法

超短期风电功率预测对含大规模风电的电力系统安全经济运行有着重要意义。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。     

基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于集合经验模态分解和相关向量机的风电功率实时预测研究

由于风电功率时间序列的非线性非平稳性特征,将一种基于集合经验模态分解(EEMD)和相关向量机(RVM)的预测模型引入到风电功率实时预测中。首先对风电功率时间序列采用集合经验模态分解,降低序列的非平稳性;其次对各子序列建立相关向量机预测模型;最后将得到的各子序列预测结果叠加就得到最终的功率预测值。利用该方法对吉林省某风电场进行功率预测,研究表明,该文所提出的预测模型能有效地提高预测精度,对工程有较高的利用价值。     

基于集合经验模态分解与门控循环网络的短期风功率预测

预测风网的发电量,合理调整机组维护人员活动,增加企业利润,稳定全网电力平衡,保障电网安全平稳运行.针对风电的不平稳性和波动性,本文基于EEMD分解的方法,建立了EEMD-GRU组合模型,并与其他单模型和组合模型进行对比,验证了该模型能有效地提高预测精度.     

基于前置分解组合预测方法的风电功率爬坡预测研究

我国高集中大规模的风电并网发展模式,使风电功率的波动性和不确定性对电网稳定造成越来越大的影响。在目前风电功率爬坡研究的基础上,提出了一种结合前置分解的组合预测算法,并建立了组合预测模型。通过对风电功率爬坡事件的特性分析,对其进行了有效地预测。文章以上海市启东风电场的风电功率数据为实例,通过仿真验证了所提出的组合预测算法能有效地进行风电功率爬坡预测,其预测精度比当前的预测算法有所提高。     

基于Bagging神经网络集成的风功率预测

鉴于准确预测风功率对风电并网系统安全、稳定运行具有重要意义,提出了基于Bagging神经网络集成的风功率预测模型。先利用拉伊达(3σ)准则对数据进行预处理得到有效的风机数据,结合灰色关联度和Relief算法对数据进行特征提取;其次在Bagging集成学习中使用Bootstrap抽样,随机产生K个训练集并用自组织RBF神经网络(ErrCor-RBF)分别对风功率进行预测;最后叠加K个预测结果取均值得到最终预测结果。仿真结果表明,Bagging神经网络集成的风功率预测模型性能更好、预测精度较高。     

基于短期风功率预测的数据预处理算法研究

针对实测风速和功率数据中包含奇异点以及同一风速下风功率存在较大范围波动的问题,文章提出一种数据预处理算法。首先,采用拉依达准则剔除风速和功率奇异点;再使用优化的一次指数平滑法及最大皮尔逊相关系数对风速进行平滑处理;最后,利用新疆阿勒泰地区某风电场单台风机的实测数据进行验证分析。以文章提出的预处理方法得到的风速作为BP神经网络预测模型的输入,风功率的预测准确度显著高于已有预处理方法得到的结果。     

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。     

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。     

基于小波变换和神经网络的光伏功率预测

提出了一种小波分解(Wavelet Transform,WT)和径向基函数神经网络(RBFNN)相结合的预测方法,并引入理论太阳辐照量、温度和相对湿度数据来预测未来24 h光伏电站的输出功率。小波分解能有效地表征光伏电站输出功率时间序列的局部特征,人工智能方法可以捕捉到光伏发电中的非线性特性。预测结果表明,采用该方法预测光伏电站输出功率,能有效地提高预测精度。     

基于深度学习的风光场群功率预测方法研究

随着风光场站集群化发展,大规模的风光电力接入电力系统会威胁电力系统的安全稳定运行.精准的风光功率预测能有效缓解这一问题,但是现有的风光功率预测方法多集中在场站级别,区域总出力对电力系统制定调度计划、安排旋转备用容量具有重要的意义.为此,提出了基于堆叠降噪自编码器的风光功率预测模型实现场站区域风光功率预测.以分布在我国某...     

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。     

基于总体平均经验模态分解与改进Elman神经 网络的风功率组合预测

风功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于总体平均经验模态分解（EEMD）和改进Elman神经网络的短期风功率组合预测方法。首先利用EEMD分解将风功率序列按不同波动尺度逐级分解,得到不同频率的分量以缓解风功率序列的非平稳性,然后对各分量分别建立改进的Elman神经网络预测模型进行预测,最后叠加各分量的预测结果得到最终预测数据。仿真结果表明,该方法不仅可以有效缓解风功率非平稳性对于预测精度的影响,还可以避免传统方法的模态混叠问题,具有较高的预测精度和适应性。     

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。     

超短期风电功率爬坡事件对风电功率实时预测误差的影响研究

阐述了超短期风电功率爬坡事件的研究背景及定义,建立超短期风电功率爬坡事件的检测和统计方法,利用持续法、支持向量机(SVM)和组合预测法3种风电功率实时预测方法,分析发生超短期风电功率爬坡事件时风电功率预测误差指标的变化,定量给出超短期风电功率爬坡事件对风电功率预测误差的影响。实例表明,风电功率爬坡事件具有小概率高风险特性,风电功率预测精度随着超短期风电功率爬坡事件频率的增大而降低。     

基于小波分解和极限学习机的短期风速组合预测研究

提出一种基于小波分解(Wavelet Decomposition,WD)和极限学习机(Extreme Learning Machine,ELM)的新型短期风速组合预测模型。首先,采用小波分解将风速序列分解成不同频段的分量,以降低序列的非平稳性;其次,为避免极限学习机输入维数选取的随意性等问题,先对各分量进行重构相空间,再使用改进的极限学习机对各分量分别建模预测;最后,将各分量预测结果叠加得到最终预测结果。实验结果表明,文章所提的组合预测模型具有较高的预测精度。     

基于小波分析与神经网络的光伏电站功率预测方法

针对光伏电站输出功率时间序列表征出来的周期性非平稳特性,提出一种基于多尺度小波分解和神经网络相结合的光伏功率预测方法。将光伏电站输出功率时间序列在不同尺度上进行小波分解,得到逼近信号和多层细节信号。利用神经网络逼近非线性函数的能力,选择理论计算太阳辐照强度和气象环境逼近信号作为逼近信号神经网络模型的输入,选择气象环境细节信号作为细节信号神经网络模型的输入。输出结果叠加合成得到原始光伏电站输出功率序列预测值。算例分析表明,该文提出的将光伏电站输出功率时间序列分解为周期性逼近信号和准平稳细节信号,并分别采用神经网络建立预测模型的方法保证算法的收敛性和预测精度。