共查询到20条相似文献,搜索用时 15 毫秒
1.
为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼(Spearman)等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法(NNA)优化改进的长短期记忆网络(ILSTM)中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。 相似文献
2.
针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解(VMD)-加权排列熵(WPE)和麻雀算法(SSA)优化极限学习机(ELM)的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。 相似文献
3.
4.
针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林(RF)分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析(SSA)去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制(FA)自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。 相似文献
5.
《可再生能源》2016,(11)
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。 相似文献
6.
为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法(SSA)优化后的变分模态分解(VMD)算法将功率序列分解为理想数量子序列,通过计算样本熵(SE)对其重构,得到新子序列分别建立核极限学习机(KELM)点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。 相似文献
7.
8.
9.
10.
11.
风电功率的准确预测对电网的安全运行和经济调度起着重要作用,为进一步提高风电功率的预测精度,文章提出了一种基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测模型。首先,利用完全集成经验模态分解(CEEMD)对风电功率时间序列进行模态分解;其次,对分解的各个风电功率时间序列利用卷积神经网络(CNN)进行特征提取;再次,建立双向门控循环单元(Bi GRU)模型对各个风电功率时间序列进行预测,叠加各个分量的预测值;最后,对误差进行进一步分析与预测,利用随机森林(RF)进行误差修正,得到最终的风电功率预测值。实验仿真表明,该模型的预测效果明显优于传统模型,模型的平均绝对百分比误差(MAPE)仅为2.09%。 相似文献
12.
针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。 相似文献
13.
针对风电功率预测精度低且模型不稳定的问题,提出基于双阶段注意力机制生成对抗网络(SAM-WGAN-GP)的短期风电功率预测模型。首先,在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制,通过自注意力机制自适应的选择输入特征,并通过时间注意力机制捕获风电数据时间序列的长时间依赖性;判别模型采用卷积神经网络,提高模型的预测精度。其次,将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数,以提高模型的稳定性,同时为解决判别器缓慢学习的问题,引入双时间尺度更新规则(TTUR)以平衡网络的训练过程。最后,以甘肃省酒泉市某风电场的实际运行数据为例,验证SAM-WGAN-GP模型不仅能自适应选择输入特征,而且可捕捉风电数据的长时间依赖性,并提高预测精度。 相似文献
14.
风能具有较强的波动性和随机性,造成了现有风电功率预测方法的误差较大,严重影响了电力系统的安全稳定性。针对上述问题,文章提出一种基于双向长短期记忆网络(BiLSTM)和自助法(Bootstrap)的风电功率区间预测方法。该方法强调了风电功率数据间关联程度的重要性,将原始风电功率数据和测风塔提供的风速历史数据构成多变量时间序列,同时构建双向长短期记忆网络模型提高预测结果的精确度。引入Bootstrap方法增加样本的多样性,再利用人工蜂群算法(ABC)的强搜索能力对模型的超参数进行优化,最终得到区间预测的结果。以某风电场历史运行数据为例,通过与长短期记忆网络(LSTM)等现有方法在给定置信水平下的预测结果进行对比,验证了所提方法的有效性。 相似文献
15.
针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。 相似文献
16.
17.
针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机(LS—SVM)的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化(0uantum—behaved Particle Swarm Optimization,QPSO)参数选择的加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS—SVM)的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。 相似文献
18.
19.
基于改进AWNN的风电功率超短期多步预测 总被引:2,自引:0,他引:2
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。 相似文献