基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

基于 HY-FMV 模型的雷暴天气预测研究

本文以极端天气中的雷暴天气为研究对象,基于历史气象数据预测未来三小时是否发生雷暴。为预测雷暴是否发生,本文分别对极端天气气象数据的采样、数据预处理、特征选择,以及建模分析进行了研究,最终提出一种基于机器学习方法的HY-FMV模型框架对雷暴天气进行预测。该模型采用混合模型进行数据预处理,基于概率分布与模型评价进行特征的选择和构建,并使用梯度提升树算法对极端天气进行预测分类。最后,本文以2010年到2015年福建和广东两省数据为例,分别使用本文所提出的HY-FMV模型,和随机森林算法等进行雷暴天气预测,结果表明,本文所提出的HY-FMV模型在F1指标上精度达到78%,相比其他算法,在雷暴天气预测精度上提高了0.5%-0.6%。     

一种简单的短时辐照度预测研究

准确的辐照度预测是光伏发电系统预测输出功率的关键,而辐照度受纬度、天气类型、海拔等因素的影响巨大,不同地区差异较大;目前对辐照度的短时预测研究中复杂的气象数据获取难度大,因此提出了一种利用便于获取气象数据进行辐照度短时预测的简单方法;根据武汉市特有的地理位置特点,将天气类型分为四类,将环境监测仪实时测量的温度、辐照度数据及不同时刻的太阳高度角作为网络的输入,用多变量BP神经网络模型对05:00到20:00时的每小时辐照度进行短期预测;将得到的预测结果与仅用历史辐照度数据作为输入得到的预测结果进行对比,该模型准确性有很大的提高;最终以持续性方法为基准得出预测技能;结果显示该模型在A、B类天气时预测技能均在0.75以上,大部分分布在0.80~0.85,表明该模型在仅利用便于获取的气象信息的基础上能够较准确地对短时辐照度进行预测。     

改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

基于相似日与EPSO LS-SVM的光伏发电功率预测

针对光伏电站发电功率随机性和不稳定性导致的预测难的问题,提出一种基于相似日与进化粒子群优化(EPSO)最小二乘支持向量机(LS-SVM)的发电功率预测模型。考虑到不同天气类型下气象因素和发电功率差异大,提出加权灰色关联投影法,进行相似日的选取;基于LS-SVM算法较强的泛化能力以及小样本问题处理能力,建立预测模型,并用EPSO模型的惩罚参数和核函数参数,提高预测精度。根据国外光伏电站实测数据建立模型并评估。结果表明:提出的模型具有较高的预测精度和更好的适用性。     

选煤设备远程故障预测系统设计

针对目前选煤设备故障预测存在设备监测数据转换方法不统一、单一的故障分类模型难以满足多种故障类型预测要求、故障分类模型无法在线更新和修正等问题,基于远程运维模式,设计了一种选煤设备远程故障预测系统。通过对选煤设备传感器数据进行预处理,生成规范的全信息并输入至多种故障分类模型,通过加权计算总体故障指标,并利用综合决策获得故障预测结果,可为智能化选煤厂设备全生命周期管理提供技术支撑。应用结果验证了该系统的有效性。     

基于C4.5决策树算法的天气预警系统的手机终端设计

为满足现代社会对气象预警预报服务的需求,研发了Android系统平台下实时天气预测和异常天气预警系统。根据决策树算法中的C4.5算法,解决天气预警分类问题。该方法通过提取训练样本中最大增益率属性作为属性特征建立决策树,经剪枝后得到天气预警评估的决策树模型,并对此模型进行分析和应用。实验结果表明这种方法在分类评估准确率上具有优势,分类正确率达到85.8%.     

高速公路气象数据融合滤波与短时雨雾预测

高速公路路域内雨雾气象数据呈现多源、异构特性,对其进行短时精准预测存在很大难度;针对该问题,在利用联合概率法求得数据之间联合概率的基础上构建异构数据融合模型,并将该融合模型与卡尔曼滤波方法相结合,建立面向多源异构气象数据的协同融合滤波模型;在此基础上,利用贝叶斯最大熵方法,结合雨雾经验理论、融合滤波后的数据以及原始雨雾数据,实现了对高速公路目标路段雨雾天气的短时精准预测;实验结果表明,该方法能够为用户提供精准、稳定的高速公路短时雨雾气象预测结果,对减少交通事故,合理进行交通管制具有重要意义。     

基于离群点检测和误差修正的空气质量指数预测

空气质量指数(Air Quality Index, AQI)预测可以为人们日常生产活动以及空气污染治理工作提供指导.针对空气质量指数预测模型受离群点影响较大的问题,利用孤立森林算法对空气质量数据集进行离群点分析,采用离群鲁棒极限学习机模型(ORELM)对空气质量指数进行预测,并构建误差修正模块对模型预测误差进行修正.最后,以北京市空气质量数据作为研究对象,分别利用ORELM模型以及极限学习机(ELM)模型进行预测,并对ORELM模型预测结果进行误差修正.实验结果表明:离群鲁棒极限学习机对离群点数据集泛化性能更强,误差修正模块能有效提高模型的预测精度.     

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R²等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。     

基于大数据模式识别机器学习算法的热力站动态能耗指标预测模型

为了实现对供热系统热力站的热负荷预测,将天气、用户室内温度和时间迟滞性等因素作为负荷预测的数据依据。本文利用统计学原理和大数据架构,通过大量数据样本的学习和修正,为解决热力行业热力控制理论缺失问题提供了一条崭新的方法。将模式识别算法和时间序列相关性分析作为算法的核心,为解决天气和时间迟滞性对用户供热的影响提供了可能。本文以我公司n个典型热力站和其所带热用户为实验对象,以所在地区天气预报和天气实时数据为依据,对供暖期间所采集的热力站供暖数据、天气预报数据、典型供暖用户室内温度,通过大数据模式识别机器学习算法对样本进行学习训练,形成一套完整热力站动态能耗指标预测模型。     

基于注意力机制的Encoder-Decoder光伏发电预测模型

影响光伏发电系统出力的天气因素具有很大的波动性和不连续性,因此需要创建合适的预测模型来对光伏出力特性进行精准预测,从而保证电网系统的有效运行。本文通过最大信息系数选择合适的历史光伏发电数据,将其作为特征之一进行输入数据重构,并在由LSTM神经元构建的Encoder-Decoder模型上引入注意力机制,最终得到结合注意力机制的Encoder-Decoder光伏发电预测模型。经实际光伏电厂算例分析,验证了所提模型在光伏发电预测方面的准确性和适用性。     

决策树算法在天气评估中的应用

分类算法是数据挖掘中的一个最重要技术．本文分析了决策树分类算法中的ID3算法和C4．5算法．利用它们建立天气评估的决策树模型．研究了该决策树模型在天气评估中的应用，分析了决策树算法应用于数据分类和知识发现的过程和特点．同时文章中也指出了分类算法的不足之处和待解决的问题。     

基于随机森林的短期电量负荷精准预测方法

可再生能源并入电网后,电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略,由此,提出基于随机森林的短期电量负荷精准预测方法研究。深入分析短期电量负荷预测影响因素（气象、时间、电价与随机干扰因素）,选取适当的模型输入变量（历史电量负荷数据、温度数据与日类型）,结合随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则,采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,获得精准的短期电量负荷预测结果。实验数据显示:当输入变量数量达到一定值后,应用提出方法获得的短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差几乎为0,充分证实了提出方法应用性能较佳。     

Gt index: A measure of the success of prediction

In order to evaluate the results of a remote sensing study, ground truth data often are collected and a cross-classification table is prepared. However, the commonly used Percent Correct Classification criterion may be misleading. An operationally meaningful measure of success of prediction is proposed. An example using corn blight data demonstrates the value of this new index and casts some doubts on earlier conclusions based on the percent correct classification criterion.     

基于时间序列数据特性的缺失值估计算法

时间序列是在如运动捕捉、传感器网络、气候预报和财经市场预测等应用中的重要分析手段之一,然而在许多现实应用中经常发生观察数据缺失现象,如何应用相应的方法和模型来预测和填补含缺失数据的时间序列是目前研究的热点。以运动捕捉中遮挡问题为例提出了改进方法,利用平滑性和相互关联等时间序列数据特性,发现时间序列数据中的隐藏变量并挖掘它们的动态特性,在此基础上预测和填补时间序列的缺失值。实验结果证明了方法具有较小的数据重构误差,方法的计算时间应随着输入和运动捕捉持续时间增大而缓慢增长。     

融合时空特征的光伏气象因子预测模型

光伏发电极易受到天气的影响而具有波动性和不确定性,因此对气象因子的准确预测对光伏电站的运维具有重要意义。提出了一种基于深度学习的时空特征融合模型,实现对光伏气象因子的精准预测。在时间维度上,设计了一种改进的长短期记忆模块,融合注意力机制和遗传算法,得到最优注意力参数以提高预测精度;在空间维度上,将光伏电站所在区域按照经纬度划分,利用张量分解对区域内气象因子进行预测。在中国东南部某光伏系统的真实数据集上,对该模型的有效性进行了评估。结果表明,该模型在时间维度和空间维度均具有较高预测精度,同时对稀疏数据有较强的鲁棒性。     

Weather Prediction With Multiclass Support Vector Machines in the Fault Detection of Photovoltaic System

Since the efficiency of photovoltaic (PV) power is closely related to the weather, many PV enterprises install weather instruments to monitor the working state of the PV power system. With the development of the soft measurement technology, the instrumental method seems obsolete and involves high cost. This paper proposes a novel method for predicting the types of weather based on the PV power data and partial meteorological data. By this method, the weather types are deduced by data analysis, instead of weather instrument. A better fault detection is obtained by using the support vector machines (SVM) and comparing the predicted and the actual weather. The model of the weather prediction is established by a direct SVM for training multiclass predictors. Although SVM is suitable for classification, the classified results depend on the type of the kernel, the parameters of the kernel, and the soft margin coefficient, which are difficult to choose. In this paper, these parameters are optimized by particle swarm optimization (PSO) algorithm in anticipation of good prediction results can be achieved. Prediction results show that this method is feasible and effective.      

Short‐term electric power load forecasting based on cosine radial basis function neural networks: An experimental evaluation

This article presents the results of a study aimed at the development of a system for short‐term electric power load forecasting. This was attempted by training feedforward neural networks (FFNNs) and cosine radial basis function (RBF) neural networks to predict future power demand based on past power load data and weather conditions. This study indicates that both neural network models exhibit comparable performance when tested on the training data but cosine RBF neural networks generalize better since they outperform considerably FFNNs when tested on the testing data. © 2005 Wiley Periodicals, Inc. Int J Int Syst 20: 591–605, 2005.