基于LSSVM的短时风电功率预测

风电功率预测对于风电接入电网后上网限电有非常重要作用,同时也对风电的市场竞争力有很大的支持效应。从现阶段风电功率负荷预测的现状出发,在研究当前风速预测方法和预测效果的基础上提出用LSSVM来进行风速的预测方法,与其他几种风速预测方法的误差进行比较表明,LSSVM在预测风速方面具有一定的优越性。经过实例测算表明,效果较为理想。     

基于改进引力搜索算法的风电功率短期预测优化调度研究

考虑到风电功率本身的随机波动特性,在制定日前市场经济预调度方案过程中,需要将风电功率不确定性因素考虑进来。因此,利用机会约束规划方法来建立包含风电场在内的日前经济调度随机优化模型,并选用改进的引力搜索算法来求解所建立的模型。最后,选用具体算例,结合IEEE-30节点网络调试系统进行模型仿真,并利用仿真结果探讨了负荷水平对系统所容纳的风电容量的影响、风电功率预测偏差对预调度惩罚成本的影响、风电预测功率下不同成本系数对日前市场的影响。研究结果表明,利用改进引力搜索算法进行优化仿真的收敛速度比粒子群算法和遗传算法的收敛速度快,可靠性高。研究所得成果为日前市场经济下风电功率短期预测研究提供参考。     

基于改进NSGA-Ⅱ算法的水资源多目标优化配置

山西省作为资源性缺水大省,对水资源进行优化配置是缓解用水紧张和提高社会经济发展水平的有效手段。通过建立山西省"大水网"晋中-长治供水区水资源多目标优化配置模型,对NSGA-Ⅱ算法在约束条件处理和遗传操作越界处理方面进行改进,并用于模型的求解,得出Pareto最优解集,最后从不同的侧重点挑选出3个不同的优化配置方案,以供决策者根据实际需要进行选择。综合来看,改进NSGA-Ⅱ算法较传统NSGA-Ⅱ算法更有效可行,配置结果合理。     

风电场超短期风功率预测问题研究

以河北省某实际风电场为例,选取风电机组历史功率数据、风速以及数值天气预报的风速和风向作为输入因子,采用人工神经网络法对风电场超短期功率预测问题进行研究.研究结果显示,输入因子的差异性对风功率预测结果影响较大.另外,风电机组历史数据对功率预测结果的影响随时间增加而减小,进行3h以上风电场功率预测时预测结果精度在很大程度上依赖数值天气预报数据精度.     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

基于组合预测的风电场风速及风电机功率预测

风电场风速及风电机功率预测的准确性对接入风电场的电力系统运行有重要意义。文中提出一种基于相似性样本的多层前馈（BP）神经网络风速预测方法,利用风速季节性周期变化的特点提高风速预测的准确性;结合时间序列分析与灰色预测方法研究了应用组合预测方法进行风电场风速预测,并在风速预测的基础上讨论了风电机功率预测。通过对国内某地区的实测风速数据分析,验证了该预测方法能够提高风速预测的准确性,具有较大的实用价值。     

基于NSGA-Ⅱ的水文模型参数多目标优化研究

为了对水文模型中难以直接测算的参数进行调试和优化,将带精英策略的非支配排序遗传算法（NSGA-Ⅱ）应用于水文模型（HYMOD）参数多目标优化计算中,得到最优解Pareto集合。通过多目标距离函数法从Pareto集中求出一组协调集。采用非支配解集覆盖度和非支配解的空间分布两个性能度量指标,对NSGA-Ⅱ算法与多目标粒子群算法（MOPSO）的优化结果进行比较分析。结果表明,NSGA-Ⅱ优化得到的非支配集比MOPSO算法得到的支配比例高;但前者的非支配解的空间分布较MOPSO算法相对均匀。     

基于IBBDE-SVM的短期风电功率预测

提出一种基于改进骨架微分进化算法(IBBDE)优化支持向量机(SVM)的短期风电功率预测方法.采用IBBDE算法可有效解决SVM模型学习参数选择难的问题.以西藏格尔木地区五子湖风电场为算例进行发电功率预测,结果表明所提方法具有较高的预测精度.     

基于BP神经网络预测区域农业用水量

在农业用水量预测中,避开复杂系统的内部因素及其相互联系,只考虑产量、降水、非耕地耗水量和土地利用系数等影响因素。运用多层前馈网络的误差反向传播算法,通过输入输出因子规格化处理及因子的选取与修正,进行区域农业用水量预测。将BP神经网络训练方法用于典型区进行预报检验,最大相对误差在12%以下,所有结果从定性上都是一致的。     

基于BP神经网络的光伏发电功率预测模型研究

光伏发电功率预测对提高光伏发电并网系统调度质量有重要意义.通过建立基于BP神经网络的光伏发电预测模型,并创新性地提出将光伏组件环境清洁度作为模型输入因子,对光伏电站发电功率进行预测.采用新疆电力科学研究院光伏发电系统作为算例验证平台,证明了模型的有效性.     

基于小样本学习和生成式对抗网络模型的短期风电功率预测

针对目前国内风电场功率预测过程中预测模型训练缺少大量历史数据导致预测性能不佳的问题,提出了一种基于小样本学习(FSL)和生成对抗网络(GAN)模型方法,扩充样本数据集的同时提高风电预测模型的性能.同时针对传统生成对抗网络模型无法处理回归问题的情况,提出了改进-生产对抗网络(GR-GAN)的模型,使其可以在有限的样本条件...     

基于IFA-LSSVM的短期风功率预测

为避免风力发电随机性、波动性对电网调度的影响,同时基于风功率预测在微电网和风储系统等热点研究问题中的应用必要性,建立基于改进萤火虫算法(IFA)优化最小二乘支持向量机(LSSVM)的短期风功率预测模型.首先,利用混沌映射及步长因子自适应调整方法对萤火虫算法进行创新性改进,增强其全局搜索能力,又解决了局部震荡问题;其次,...     

基于MATLAB下BP神经网络的边坡稳定性预测

将MATLAB中的BP神经网络引入到边坡稳定性研究中,但由于标准的BP算法存在收敛速度慢、容易陷人局部极小点等缺点,为此采用各种改进及优化的算法,以寻求更适合边坡稳定性预测研究的算法。本文结合了大量边坡实例,经过理论分析和实例测试,能显著提高训练速度、减少收敛周期,达到很好的边坡稳定性预测结果。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

土岩组合地区基坑变形的预测方法研究

对影响土岩组合地区基坑变形的主要因素进行了分析,并采用人工智能——BP神经网络的方法对土岩组合地区基坑的变形进行了预测研究。基于已有的研究资料,分析和总结了影响基坑变形的主要因素;建立了BP神经网络预测模型;借助MATLAB语言进行编程,利用训练稳定的网络模型,预测了基坑土岩组合地区基坑的最大侧移量。经与实测值比较,预测精度可满足工程的需要。该预测研究可对土岩组合地区基坑的设计与施工提供一定的参考。更多还原     

基于实物期权理论的风电投资决策

与传统的能源发电投资相比,风电投资具有更大的投资风险。在目前的技术水平下,风电的大力发展离不开国家的政策扶持。无论对风电投资者而言,还是对风电投资政策制定者而言,均迫切需要一个可将风险量化的投资辅助决策工具。基于实物期权理论,文中建立了适用于中国风电投资环境的风电项目投资决策模型。该模型考虑了风电上网电价的不确定性、风电场投资及运行成本、投资政策、投资时机等因素。算例分析表明该模型可为投资者选择合适的投资时机提供决策参考,另外还可作为政策制定者制定合理投资政策的量化分析工具。     

基于INMOPSO的含水风光电力系统优化调度研究

考虑水风光可再生能源消纳受阻问题,以运行成本最小和水风光弃电量最小为目标建立了电力系统多目标优化调度模型.运用多目标法改进约束条件处理方式,采用马氏距离改进适应值计算方式,提出了改进小生境多目标粒子群算法.实例计算结果表明,改进算法的近似Pareto前沿、算法收敛性和解分布的均匀性均优于对比算法,最佳均衡解的运行成本和...     

基于互补式集合经验模态分解和SSA-ELM的短期风电功率预测

根据实际风电功率信号的波动性和非线性,提出了一种基于互补式集合经验模态分解(CEEMD)和樽海鞘群算法极限学习机(SSA-ELM)的短期风电功率预测模型.首先利用CEEMD将风电功率原始信号分解为一系列模态分量和剩余分量,以减小风电功率的非平稳性;其次采用樽海鞘群算法优化极限学习机对不同分量进行预测;最后将不同分量的预...