基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

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。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

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MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

基于EEMD-ACS-SELM的弃风电量组合预测模型

风电已在电力系统中得到了有效利用,因此,弃风电量的准确预测对于电网的安全、经济运行至关重要。文章提出了一种基于集合经验模态分解(EEMD)和t分布自适应变异布谷鸟算法(ACS)优化改进极限学习机(SELM)的弃风电量组合预测方法(EEMD-ACS-SELM)。该方法先采用集合经验模态分解,将原始弃风电量序列分解为一系列不同频率的分量,基于模糊熵理论计算各分量的熵值,并将熵值相似序列重构为新的子序列。然后,将新序列分别建立改进极限学习机预测模型,利用ACS优化算法对SELM算法的输入权值和阈值进行优化。最后,将各序列预测值叠加求和得到原始弃风电量序列的预测值。以新疆某风电场实际运行数据进行算例分析,结果表明,文章所提方法对弃风电量的预测具有较高的精度。     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

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。     

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。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

基于CEEMD-CNN-BiGRU-RF模型的短期风电功率预测

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%。     

基于经验模态分解和马尔科夫链的弃风电量预测

通过风电场历史功率数据和风电机组功率数据分析,把两组数据之差作为弃风电量时间序列,在此基础上将经验模态分解和马尔科夫链结合,对弃风电量进行预测。首先,将弃风电量时间序列EMD分解,提高序列的平稳性和周期性,生成9个序列分量;然后,将各序列分量进行状态划分,采用马尔科夫链分别对9个分量进行时间序列生成;最后,将各生成的时间序列进行叠加,完成对弃风电量的预测。文章以某风电场为例,对基于经验模态分解和马尔科夫链的弃风电量预测方法进行了仿真验证,结果显示,此方法能较好地跟踪弃风电量的走势,其预测精度达到了相应的要求。     

基于VMD-PE和优化相关向量机的短期风电功率预测

针对风电功率序列非线性、非平稳性等特点,提出一种基于变分模态分解(VMD)-排列熵(PE)和混沌布谷鸟搜索算法(CCS)优化相关向量机的短期风电功率预测新方法。为降低风电功率序列非平稳性和减小计算规模,首先采用变分模态分解技术(VMD),将原始风电功率序列分解成一系列不同的子模态,利用排列熵(PE)分析其复杂度并重组得到子序列;然后采用CCS优化后的相关向量机(CCS-RVM)对各子序列进行提前24 h预测;最后将预测结果叠加得到最终预测值,并利用某风电场实际采集数据进行仿真验证。结果表明,所提预测模型能有效提高风电功率预测的准确性。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

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。     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于EEMD-HS-SVM的短期风功率组合预测模型

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一。文章建立了基于EEMD-HS-SVM短期风功率组合预测模型。采用EEMD分解技术对原始风功率序列做信息特征提取处理,将原始信号梯度化分解为一系列特征互异的本征模态函数,运用复杂统计理论体系下的样本熵作为特征,将特征相似的本征模态函数归类为尺度相异的新模态分量,根据新模态分量的局部特征与变化趋势,建立与之相对应的SVM预测模型。提出采用和声搜索算法优化SVM模型参数,有效改善了SVM算法存在的结构参数难以确定、训练效率低的不足。算例分析表明,EEMD-HS-SVM模型在风功率预测中具有较高的预测精度和预测效率。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于EMD-LMD-LSSVM联合模型的逐时太阳辐照度预测

由于太阳辐射的随机性很大,同时考虑到传统方法建立的单一最小二乘支持向量机(least square supportvector machine,LSSVM)模型精度不高,该文提出一种基于经验模态分解(empirical mode decomposition,EMD)局部均值分解(local mean decomposttion,LMD)和与机器学习方法 LSSVM联合的逐时太阳辐照度预测模型。先利用信号处理算法EMD及LMD将时间顺序数据分解成一系列相对平稳的分量序列,再对各子序列分别建立LSSVM预测模型,最后将各子序列预测结果进行叠加得到最终预测值。仿真结果表明,该模型取得比单一模型更好的预测效果,均方根误差精度可提高24.59%。     

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。