基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于小波Elman神经网络的短期风速预测

采用小波理论和Elman神经网络相结合的方法对风速进行短期预测,建立小波Elman神经网络预测模型。为了避免梯度下降法存在收敛速度慢、易震荡、陷入局部极小值等缺点,在神经网络学习过程中采用LM(Levenberg-Marquardt)算法和附加动量项法。通过实例分析,与小波BP神经网络模型进行比较,表明该模型具有较强的逼近和容错能力、较快的收敛速度、较好的预测效果。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于小波包和支持向量回归的风速预测

运用小波包变换和支持向量回归相结合的方法对提前1～6h的每10min风速预测进行研究。首先针对风速非平稳、非线性的特点,利用小波包变换将原始风速序列分解成一系列不同变动频率的子序列,再分别对这些子序列用支持向量回归法进行预测,最后将各自输出结果叠加得到最终的预测风速。选择某风电场2组具有不同特点的实测数据作为应用案例,结果表明,通过小波包变换更能把握风速变化规律,支持向量回归法具备较强的学习能力,小波包支持向量回归法优于现有的一些预测方法。     

基于小波分解和ELMAN神经网络的风速—风功率预测研究

针对风功率难以预测的问题,提出一种基于小波分解和ELMAN神经网络的风速-风功率预测模型,采用小波分解来降低风速的非平稳性;采用ELMAN神经网络建立风速预测模型;基于实测数据拟合功率曲线,并结合得到的功率曲线进行风功率预测。最后将建模流程应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

基于小波包分解与循环神经网络的综合能源系统短期负荷预测

文章提出了基于小波包分解(wavelet packet decomposition,WPD)与循环神经网络的电冷热综合能源短期负荷预测方法。利用能够突出负荷细节特征的小波包对电冷热负荷进行频段分解,分析每一频段中电冷热负荷的互相关性。为体现每一频段中电冷热负荷的互相关性对预测结果的影响,将频段中互相关性较强的负荷类型放入同一处理负荷自相关性的循环神经网络模型中进行预测;频段中互相关性较弱的负荷类型则单独进行预测。与直接将电冷热负荷放入同一个循环神经网络进行预测相比,以及与将电冷热负荷通过同一个反向传播神经网络进行预测相比,所提方法考虑了综合能源在不同频段内电冷热负荷的互相关性和电冷热负荷本身的自相关性,能够有效降低负荷预测的平均绝对百分比误差。     

基于小波包分解和长短期记忆网络的短期电价预测

在电力市场环境下,精准的短期电价预测可以保障电网优化调度和安全稳定运行,但实时电价具有非平稳性和非线性的特点,加大了预测难度。针对这一问题,提出了一种基于小波包分解（WPD）和长短期记忆（LSTM）网络的短期实时电价预测方法。将实时电价序列分解,得到最高频细节部分和低频趋势部分,剔除波动性高、无效信息多的高频细节部分,再采用LSTM网络对有效信息最多、更能体现电价序列的趋势部分进行实时电价预测。使用所提方法对美国PJM市场某地区实时电价数据进行预测实验,结果表明所提方法相比随机森林、BP神经网络、支持向量机电价预测方和传统的LSTM网络电价预测方法具有更高预测精度。     

基于小波-神经网络的风速及风力发电量预测

风能作为可再生清洁能源已得到世界各国的广泛应用。由于风速的不确定性,给保障风力可靠性发电带来了一定的困难。提出了一种较为准确的小波–神经网络法预测风速。该方法利用小波函数将原始波形进行不同尺度的分解,将分解得到的周期分量用时间序列进行预测,其余部分采用神经网络进行预测,最后将信号序列进行重构得到完整的风速预测结果。在神经–网络学习过程中加入了微分进化算法,提高了其收敛速度,解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。     

基于Adaboost的BP神经网络改进算法在短期风速预测中的应用

进行较准确的风速预测对含大规模风电场的电力系统进行经济调度具有重要意义。针对目前神经网络法、时间序列法、卡尔曼滤波法等算法在短期风速预测上精度不高的缺陷,引入Adaboost算法对前馈(back propagation,BP)神经网络算法进行改进,提出了基于Adaboost的BP神经网络算法,并将该方法应用于短期风速预测。经算例分析,该算法在超前1 h和2 h的风速预测精度优于其他2种算法,且该算法在高风速段(10 m/s以上)平均绝对百分比误差低于7.5%,具有较高的工程应用价值。     

基于小波分解与神经网络的光伏功率预测

对光伏发电预测模型的训练时间和网络精度进行综合分析,研究了影响光伏功率预测精度的因素.通过公式确定神经网络隐含层个数的范围,进而确定计及神经网络精度与网络训练时间的隐含层节点数,并提出一种将人工神经网络(Artificial Neural Network,ANN)与小波分解(Wavelet Decomposition,...     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

基于小波分解和相同尺度序列的神经网络短期电价预测

基于小波分解的短期电价预测主要是对电价样本分解后的各个子序列进行预测,并重构各个预测结果得到最终预测电价。在这一基础上,对电价和负荷样本进行多分辨率小波分解至2尺度,然后剔除噪声信号,再将其中相同制度的电价和负荷子序列相结合,并根据该尺度的时频特征设计建立神经网络模型进行预测,最后将各个子序列的预测结果重构得到预测电价。在算例分析中采用PJM市场2007年3月至2008年2月的数据,并通过绘制误差持续曲线,测试对比本文提出的预测方法和其他预测模型,证明了该方法的有效性和可行性。     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于小波过程神经网络的短期风速预测

针对风速序列非线性和非平稳性的随机性特点,提出了基于小波过程神经元网络的短期风速预测方法.首先利用相空间重构理论,计算出风速时序的最佳嵌入维数作为网络的输入层节点数,根据小波神经网络的经验公式来选取网络隐含层的节点数初始值,通过调整参数使网络误差达到最小值,得到合适的隐层节点数,并给出相应的学习算法.算例仿真结果表明所提预测方法的可行性,运用本方法与时序ARMA模型对比,其预测结果的精度明显提高.     

基于改进Elman神经网络的风速预测

指出风速预测对并网风力发电系统的运行有重要意义。为提高风速预测精度,提出了一种基于改进的Elman神经网络风速预测方法,利用误差反向传播的方法来确定反馈增益γ值。分别采用改进Elman神经网络与BP神经网络建立模型,对实际历史风速数据进行仿真预测。利用风电厂实际数据验证,并阐述了仿真结果。     

基于小波包-神经网络的太阳逐时辐射预测

太阳辐射量受到季节、大气状况、云况、温度、湿度甚至沙尘等气象因素的影响,表现为强烈的时变性和随机性。对于非线性的辐射量预测,目前已提出了许多方法,但依然存在智能算法的选取不合理、网络结构泛化能力差、预测精度不理想等不足。针对光伏电站太阳逐时辐射强度数据特征不明显、普通BP网络难以完全映射其特征的缺点,提出了一种基于小波包-神经网络的预测模型(WPNN),利用小波包变换将辐射强度序列进行多尺度分解,并创建多个BP模型对各分量预测,最后通过重构得到最终的预测结果。结果表明,预测精度明显提高,满足预期效果,证明该模型的有效性和实际意义。     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...     

基于小波分解与二阶灰色神经网络模型结合ADF检验的短期负荷预测方法

增强电力系统负荷预测的精度可以提高经济预测的准确性,但是由于负荷序列为波动的,故难以实现精准预测.该文提出了一种基于小波分解(WD)与二阶灰色神经网络相结合用以增强迪基-富勒(ADF)检验的负荷预测方法以实现对负荷的精准预测.首先,利用WD对负载序列进行分解,减少非平稳负载序列;然后,采用ADF检验作为各分解分量静载序...