基于相似日聚类的支持向量机风电功率预测方法

风电功率预测技术是提高风电并网可靠性的重要手段。但是目前常用的统计建模方法没有对数据进行有效的预处理。导致建模效果不理想。提出一种基于相似日聚类的支持向量机风电功率预测方法,对建模数据进行相似日聚类,分别建立预测模型用于对应类别日期的预测。利用国内某风电场的数据进行对比实验,该预测方法相比纯支持向量机建模具有较好的效果。     

支持向量机向量维数对短期风电功率预测精度的影响

为了提高短期风电功率的预测精度,采用支持向量机回归方法,以10 min采样间隔的实测风速和温度序列为输入数据,针对连续19天的历史数据按每隔5 h进行一次预测,每次采用一天144组风速、温度数据进行训练。实验分别选取了10 min、30 min和1 h的预测时间尺度,得到不同向量维数下预测结果的均方误差、均方百分比误差、平均绝对误差、平均绝对百分比误差以及相关系数。结果表明,对于特定的预测对象,支持向量机向量维数具有一个使预测精度最高、误差最小的最优值;对于不同的预测时间尺度,向量维数的最优值一般不同。     

基于HGWO-SVM的风电功率预测方法研究

风电并网进程越来越快,风电功率随机性、间歇性等特点也对整个电网电压以及频率等带来了一定的影响,电网对风力发电功率预测精度提出了更高的要求。基于清洗后的数据,以风力发电输出功率作为输出,在原始的灰狼优化算法(grey wolf optimization, GWO)中引入交叉、变异和选择过程,为提升全局搜索性能,搭建了混合灰狼优化算法(hybrid grey wolf optimization, HGWO),并用其对支持向量机(support vector machine, SVM)中的核函数系数g和惩罚系数c进行全局寻优,训练得到基于HGWO-SVM风电功率预测模型。预测结果对比传统的算法形式(包括优化SVM、粒子群算法优化SVM、遗传算法优化SVM),所提的方法更具优越性,耗时相对较短,能实现对风电功率精准、快速预测。     

基于改进人工鱼群优化支持向量机的短期风电功率预测

针对人工鱼群算法中固定的视野和步长导致算法寻优速度变慢、易陷入局部最优等问题,引入了一个变系数因子来自适应调节人工鱼在聚群、追尾和觅食行为中的视野和步长;此外,为了降低算法后期运算复杂度以获得更多有效的人工鱼,加入一种人工鱼群最大迭代次数淘汰机制。将改进后的人工鱼群算法用来优化支持向量机中的核函数参数和惩罚参数,并应用到风电场短期风电功率预测中。通过实验仿真对比得出改进的人工鱼群优化支持向量机在短期风电功率预测中有较好的效果。     

基于模糊信息粒化和最小二乘支持向量机的风电功率 联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。     

基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。     

基于云支持向量机模型的短期风电功率预测

将云模型和支持向量机(SVM)相结合,提出一种适合短期风电功率预测的云支持向量机模型.该模型采用云变换方法提取风速序列的定性特征,并通过SVM建立风速特征与风电功率间的关系.对未来24h的风电功率预测结果显示,该模型在某个点上的预测值是一个有稳定倾向的离散值集合.采用逆向云算法求取集合的期望值作为确定性预测结果,并与SVM和自回归求和移动平均(ARIMA)模型的预测结果相比较,结果表明云支持向量机具有更高的预测精度,预测效果显著,因此,该模型可有效应用于短期风电功率预测.     

基于支持向量机的风速与风功率预测方法研究

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入电网,对电力系统的安全、稳定运行带来严峻挑战.对风速风功率进行预测,对风电场的出力进行短期预报,是解决这一问题的有效途径.对风速风功率预测方法进行了研究,从物理和统计方法对SVM(支持向量机)预测方法作了分析,支持向量机在风速风功率预测中有非常大的应用空间,并进行了预测实验.     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

基于欧氏聚类和支持向量机的变压器故障诊断

以变压器油中溶解气体的相关信息作为特征向量,首次将基于欧氏聚类的支持向量机多分类模型应用于变压器故障诊断中。该组合模型以变压器状态类别间的欧氏距离为依据,构建支持向量机多分类模型。实验表明,该方法能够避免多分类模型组建的盲目性,同时能有效地对变压器进行故障诊断。     

基于最小二乘支持向量机的风功率短期预测

为了减小风力发电的随机性对电力系统的影响,提出了一种基于最小二乘支持向量机的风功率短期预测模型。在研究最小二乘支持向量机的基础上,为解决最小二乘支持向量机建模时其参数对预测性能影响,运用粒子群算法对参数进行优化,最后建立了基于粒子群优化最小二乘支持向量机的预测模型。运用某风电场的实测数据进行仿真研究,为了对比分析,同时利用E1man神经网络模型和支持向量机模型进行了预测,仿真结果表明,本文所提方法与其它方法相比预测精度更高,可以有效地应用于风功率的预测。     

基于相关向量机的风电功率实时预测研究

风能的波动性和随机性给风电功率预测带来了很大的影响,准确合理的预测可以使系统可靠、持续、稳定运行。提出一种基于相关向量机的超短期风电功率预测方法。相关向量机是在贝叶斯理论的基础上提出的一种概率学习模型,与支持向量机相比,相关向量机具有概率模型稀疏、核函数计算量小等优点。对滚动多步预测模型进行了分析,建立了相关向量机的风电功率预测模型。利用该方法对吉林西部若干风电场进行功率预测,结果表明,所提出的预测模型能有效地提高预测精度,对工程有较高的应用价值。     

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。     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

基于支持向量回归的混沌序列预测方法

本文讨论了支持向量机(SVM)的回归算法,将SVM应用于混沌时间序列的预测,并与RBF网络的预测效果进行了比较,仿真结果表明,其预测精度和抗噪声能力要优于RBF网络;同时,采用关联度代替欧式距离,来确定相空间中的最邻近相点,提高了预测时的嵌入维数,从而提高了混沌预测的精度.     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode decomposition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimization algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

天气类型聚类的支持向量机在光伏系统输出功率预测中的应用

光伏发电具有较强的波动性和随机性的特点,大容量光伏发电接入,会对电力系统的安全稳定运行带来严峻挑战.本文分析了温度、湿度等气象因素对光伏发电系统输出功率的影响,结合光伏系统的历史发电数据与气象信息,提出一种基于天气类型聚类的支持向量机预测模型.通过计算合适的权值,确定各气象因素的加权欧氏距离,选择输入样本,使样本能更好地反映预测日的天气属性;在此基础上运用支持向量机进行短期输出功率预测,并利用某地实测数据对训练好的模型进行了测试与评估.结果证明,该方法建立的模型具有较高的精度.     

基于硬C均值聚类算法和支持向量机的电力系统短期负荷预测

提出了一种联合使用硬C均值(hard C-mean,HCM) 聚类算法和支持向量机(support vector machine,SVM)的电力系统短期负荷预测方法。与目前采用单一SVM的负荷预测方法相比,考虑了电力负荷变化的周期性特征,依据输入样本的相似度选取训练样本,即通过对学习样本的聚类选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。实际应用证明了该方法的有效性,该方法不仅提高了负荷预测精度,还缩短了预测执行时间。