基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上.结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值.与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景.最后通过具体实例验证了该模型的有效性.     

基于经验模态分解与多步预测的最小二乘支持向量机的风速预测

由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。     

小波分析应用于风力发电预测控制系统中的风速预测

一般风速预测是以全风速预测,但是全风速高频部分的三次方变化幅值大,为了取得好的控制效果和避免控制器高频率的动作,利用小波多分辨分析对风速进行高低频分解提取出低频平缓信号.对平缓后的数据进行时间序列预测并与原始风速信号预测小波分解的结果进行对比分析,两信号误差很小,可以利用小波分析用于预测控制中的风速预测.     

基于油液光谱LSSVR-AR模型的发动机故障预测

针对传统油液光谱数据预测模型精度有限的不足,提出了一种基于最小二乘支持向量回归(LSSVR)与AR模型相结合的非平稳时间序列建模方法(LSSVR-AR),并应用于某型履带车辆发动机油液光谱数据及故障的预测。首先对非平稳时间序列进行最小二乘支持向量回归,得到非平稳时间序列的趋势项及剔除趋势项后的随机项;然后对随机项建立AR模型并与趋势项的LSSVR模型组合,得到非平稳时间序列模型;最后用所建模型对油液光谱数据及发动机故障进行预测。用所提建模方法对Fe、Cu、Pb、Si光谱数据预测的平均绝对百分比误差分别为1.987%、2.889%、2.343%、6.860%,明显低于其他模型。实例证明,所提模型能对发动机故障进行准确预测。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

风速时间序列混沌特征分析及非线性短期预测

针对风能发电及天气预报等领域中一直是难点和重点的风速时间序列预测问题,首先分别通过相图法和最大Lyapunov指数法定性定量确定风速时间序列具有混沌特征;在此基础上,针对风速时间序列混沌特征结合相空间重构理论进行预测,根据C-C算法确定嵌入维数及延迟时间,将混沌理论应用于Volterra自适应模型,建立新的风速预测模型;以Lorenz方程为例验证该预测模型的准确性,并通过预测风速对比实测风速,进行误差分析。结果表明:风速时间序列具有明显的混沌特征;风速时间序列的混沌特征表明其长期预测是不现实的,但其确定性结构表明其具有短期可预测性;以预测Lorenz方程数值解的方式验证了Volterra自适应预测模型的准确性,其预测误差控制在10~(-4)以内;Volterra自适应预测模型可以对实测风速时间序列进行准确的预测,预测误差控制在0.1 m/s内。     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种...     

基于ARIMA与ESN的短期风速混合预测模型

提出一种基于自回归求和滑动平均模型(autoregressive integrated moving average,ARIMA)与回声状态网络(echo state network,ESN)的短期风速预测模型。首先利用ARIMA模型对短期风速时间序列进行线性特征的预测,使得短期风速的残差仅包含非线性特征,然后利用ESN模型对非线性的残差序列进行预测,最后将ARIMA模型的短期风速线性预测值与ESN模型的短期风速非线性预测残差值进行相加得到最终的短期风速的预测值。单步与多步预测的仿真实验表明该混合预测模型具有更高的预测精度与更小的预测误差。     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

基于相似性样本的LSSVM短期风速和风功率预测研究

风速具有较大的随机波动性,影响电网的稳定性,良好的风速预测是解决风电并网问题的关键。为了提高风速预测的精确性,首先对风速数据进行相似性样本的提取,采用分段线性化的搜索方法,求出各小段风速的斜率与长度所占的比重,继而找出相似性距离最小的曲线簇。并以此作为训练样本,采用最小二乘支持向量机（LSSVM）模型对风速进行预测。预测结果表明,采用风速的相似曲线簇进行LSSVM模型训练所得的风速和风电功率预测结果更优。     

考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归（SVR）相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解（CEEMDAN）方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解（VMD）方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

基于WRF模式与相似Kalman滤波法订正后的风速预报效果分析

为提高张家山风电场风速预报质量,比较了张家山测风塔处的实测风速WRF模式预报的风速的误差,再利用相似Kalman滤波方法订正预报的风速,以减小WRF模式预报风场的系统误差和随机误差。结果表明,WRF模式对敏感区的风速预报能力最好,对小风区的预报效果较差,对冬季的预报效果略好于春秋季;再使用相似Kalman滤波方法对模拟风速进行误差订正后,所有时刻的预报能力得到提高,平均偏差、均方根误差变小,从而提高了风速预报的准确率。     

风电场风速及风电功率预测方法研究综述

由于风能的随机性以及电力系统的非线性等原因,预测风电功率时需要考虑众多的不确定因素影响。现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报(NWP-numerical weather prediction)的物理预测方法模型复杂、计算量大,较少用于短期预测;统计预测方法模型简单,数据需求量少,较适合于数据获取有一定困难的情况;人工智能预测方法不依赖于对象的精确模型,适合于随机非线性系统;综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述,并在总结前人研究的基础上提出了一些可进一步研究的问题。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。