基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解（VMD）与重构、卷积神经网络（CNN）挖掘多气象特征信息、长短期记忆网络（LSTM）预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明：该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。     

基于VMD-LILGWO-LSSVM短期风电功率预测

目的 为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法提出一种结合变分模态分解（VMD）、改进灰狼算法（LILGWO）和最小二乘支持向量机（LSSVM）的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差（mean absolute error,MAE）为2.706 8 kW,均方根误差（root mean square error,RMSE）为2.021 1,拟合程度决定系数（R-Square,R2）为0.976 9,与对比方法3～6相比,RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R2分别提升了4...     

基于经验模态分解的风电功率短期预测方法

采用经验模态分解和滚动神经网络相结合的方法对风电功率时间序列进行短期预测。通过经验模态分解将信号分解成有限个固有模态函数(IMF)之和,利用多个神经网络对各IMF进行预测,同时采用滚动学习的方法修改权值和阈值,最后重构得到完整的预测结果。通过对内蒙古赛罕坝风电场的发电功率进行仿真预测,证实了该模型的有效性,与persistence模型相比较,平均绝对误差从12.55%降低到10.20%。     

基于门控递归单元神经网络的风速误差修正模型短期风电功率预测

随着风力发电的日益普及,风电功率预测已成为辅助电网调度和电力交易的基础.针对短期风电功率预测问题,提出一种基于门控递归单元神经网络的数值天气预报风速误差修正模型.首先,提取数值天气预报风速误差的标准差作为权重,并根据数值天气预报风速时间序列对这些权重进行重新排列,得到权重时间序列.然后,提出基于双向门控递归单元神经网络...     

基于粒子群算法优化参数的VMD-GRU短期电力负荷预测模型

为了更有效提取电力负荷数据中的特征信息，从原始含噪声较多的负荷序列中提取包含丰富特征信息的信号分量，提高电力负荷预测精度。针对变分模态分解(variational mode decomposition, VMD)参数设定经验与主观性较强，提出一种基于粒子群算法(particle swarm algorithm, PSO)优化参数的变分模态分解和门控循环单元(gated recurrent unit, GRU)的组合模型短期电力负荷预测方法，先通过粒子群算法对VMD最佳影响参数组合进行搜寻，得到最佳效果的分解子序列，减少不同趋势信息对预测精度影响。然后运用GRU网络，针对各子序列分量建立基于GRU的预测模型。最后叠加各子序列预测结果得到短期电力负荷的最终预测值。实验结果表明，相对于相对于BP神经网络(Back Propagation Neural Network)、支持向量机(support vector machine, SVM)、GRU模型和EMD-GRU模型以及未经优化VMD-GRU模型，此模型具有更高的负荷预测精度。     

基于EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

基于VMD和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测

为提高风电功率的预测精度, 提出基于数据分解和输入变量选择的短期风电功率预测方法。利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)对原始风电功率和风速数据进行分解, 平缓数据波动以提取内部隐藏信息。通过排列熵算法(permutation entropy, PE)将风电功率分量简化重构以降低模型复杂度。为提升输入变量与风电功率之间的关联程度, 剔除冗杂信息, 降低输入数据维度, 结合Pearson相关系数(Pearson correlation coefficient, PCC)和灰色关联分析(grey relation analysis, GRA)对各风电重构功率分量的输入变量进行选择。最后利用基于注意力的时序卷积网络(attention-based temporal convolutional network, ATCN)对各重构功率分量进行预测, 将各预测值叠加得到最终结果。试验结果表明, 基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测方法能够提取更多风电数据内部的关键信息, 降低输入数据的维度, 强化输入变量与风电功率之间的关联性, 有效提高预测精度。     

基于云模型理论的短期风速预测方法

基于不确定性理论与方法,采用模糊c均值(FCM)聚类算法对历史风速数据进行聚类分析.在此基础上,利用云模型理论将由聚类产生的一系列定量数据集合转化为由3个云模型数字特征值表示的定性概念,建立风速云模型.将历史风速时间序列中的分钟级变化规律以及日变化规律应用到云模型规则发生器中,建立风速预测的组合云模型.误差概率统计发现,该模型24h风速预测绝对误差小于2m/s的概率为97.94%,预测曲线的均方根误差为0.98m/s.将云模型预测值的期望与RBF神经网络预测值对比,预测精度有所提高,预测曲线基本反映出了风速的变化规律,表明基于云模型的预测方法在风速预测方面的可行性.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于动态熵权的短期风速组合预测

为了提高风电场风速预测的准确性,将不同预测方法的权重推广到权重序列,生成权重矩阵,同时采用新的预测误差更新权重矩阵,获得所需模型.建立三种单一预测模型,统计它们十天的预测误差,获得误差序列,在此基础上,提出动态熵权法.采用熵权法确定各单一预测模型在96个预测时刻的权值,并根据新的24小时预测误差更新误差序列和权重矩阵,从而获得动态组合预测模型.结果表明,动态组合预测模型的整体误差指标比单一预测模型较小,预测精度显然增高,证明了所建模型有效且实用.     

考虑风速特性的动态电压崩溃指标

基于四分法划分的风速模型和简化风力发电系统传输线路模型,考虑3阶双馈异步风力发电机的转差率和风电机注入系统功率的随机性,推导出电压崩溃指标.根据指标测量值与临界值之间的距离判定系统接近电压崩溃的程度;投入SVC补偿可提高该指标,即提高系统电压崩溃的预防能力.最后以配电网系统中接入单台风力发电机为例,基于MATLAB 的Simulink对风速、滑差和动态电压崩溃指标进行仿真,仿真结果验证了该指标的有效性和实用性.     

基于极限学习机的短期风力发电预测

随着风力发电技术的发展,风能已成为最具吸引力的可再生能源发电资源之一。然而,由于风能资源具有间歇性和随机性的特点,风力发电系统并入电网将对电力系统的稳定运行和规划带来巨大的冲击和挑战。在此背景下,为了加强电力系统的稳定性和可靠性,提出基于极限学习机的短期风速预测技术,实现精确的风力发电预测。根据开源风速数据的仿真结果表明,该方法不仅能有效地捕捉风速数据的非线性特性,而且与大多数传统方法相比,所需计算时间更短。     

基于样本熵和支持向量机的短期风速预测模型

提出一种经验模态分解、样本熵和支持向量机相结合的短期风速组合预测方法。首先利用经验模态分解将原始风速序列逐级分解成若干个规律性更强的子序列,以减小不同特征尺度序列间的相互影响,提高预测精度。接着计算各风速子序列的样本熵,将复杂度相近的序列归类形成一个新序列,以减少所需建立的预测模型的数量。然后对经 EMD-SE 处理后得到的新的风速子序列分别建立支持向量机预测模型,并采用遗传算法实现各模型参数的自动选取和寻优,最后将各序列的预测结果叠加得到风速预测结果。算例研究表明,该方法充分挖掘了风速序列的特性,能快速地对风速变化作出响应,预测的均方根误差和百分比误差分别比单纯采用支持向量机法降低了5.1%和5.4%,有效地提高了短期风速预测的准确度。     

考虑风电接纳能力约束的风机装机容量优化

随着风电的快速发展,如何确定装机容量使其具有最大经济效益就成为一个亟待解决的问题.以系统的风电接纳能力为约束条件,以风电收益净现值最大为目标函数,建立简化的电网风电装机容量优化数学模型,并采用线性规划方法求解.文章以某地区实测数据为例进行仿真计算,验证了文中方法的有效性.该方法可以用于解决风电场风机类型选取、装机容量确定等规划问题,具有较好的工程应用价值.     

考虑风电综合利用指标约束的输电规划模型

风电的大规模并网,对输电网的影响不容忽视.考虑风电出力的随机性及不可控性,建立风电机组发电功率评估模型,计算风电发电功率的期望值;引入风电综合利用指标,统筹风电利用及输电规划成本二者之间的矛盾;建立考虑风电综合利用指标约束的输电规划模型.以18节点系统为例,时比分析传统输电规划模型与考虑风电综合利用指标约束的输电规划模...     

基于最小二乘支持向量机的变速风力发电机组模糊控制器

提出了一种新型模糊控制器用于变速风力发电机组最大能量获取,该控制器中使用了基于最小二乘支持向量机(LS-SVM)的机组Takagi-Sugeno-Kang(TSK)模糊模型。建模过程中,采用了模糊聚类的方法进行输入输出空间的划分,并以LS-SVM的方法确定模糊规则的后件参数。将该控制器应用于变速风力发电系统的仿真结果表明,机组很好地实现最大能量获取的目标,并具有实时性强、容错性、学习能力强、计算速度快等优点。     

考虑风电不确定性的中长期合同电量分解

中长期合同电量交易是中国新一轮电改初期主要的交易形式.由于风电的不确定性,中长期合同电量分解面临着巨大的挑战.在此背景下,提出考虑风电不确定性的中长期合同电量分解算法,建立发电成本、电量偏移和碳排放最小的日前电量分解优化模型,并通过归一化加权法将其转化为单目标模型,再通过修正算法解决实际发电量与计划电量的偏差问题.算例表明,该分解算法可在实现节能减排、电量偏差最小的同时,保证分解结果公平可行.