基于原子稀疏分解和混沌理论的风电功率超短期多步预测

为提升大规模风电场风电功率超短期预测精度,减少由风电功率大幅度波动对电力系统带来的不利影响,提出一种基于原子稀疏分解(Atomic Sparse Decomposition,ASD)和混沌理论的风电功率超短期多步预测模型.首先,利用ASD良好的序列趋势跟踪特性,将风电功率时间序列分解成多个原子趋势分量和一个残差随机分量;其次分别利用自适应预测法和混沌理论对两分量进行超短期预测;最后,将两分量的预测结果叠加,得到最终的风电功率预测结果.选取我国东北某区域风电功率数据为例,算例结果表明,相较于传统预测模型,本文的预测方法能够有效地提升大规模风电场风电功率超短期预测精度.     

风电功率超短期多步预测误差评估及分析

超短期风电功率预测误差分析有助于改进预测精度,进而降低风电不确定性对电力系统带来的不利影响.以LSTM模型为例,对超短期多步预测的误差特性进行分析.首先,对超短期风电功率预测误差进行静态特性分析,研究了预测误差随预测步长的动态变化特性;然后,提出了数值天气预报在超短期风电功率预测中的误差占比定量评估模型;最后,提出了一种综合考虑形状和时间损失的神经网络损失函数,降低由于输入信息不足引起的时滞和幅值误差.结合吉林省20个风电场的实测数据,对风电功率多步预测误差特性进行全面分析,为风电功率多步预测模型的评估、修正提供了参考.     

基于原子稀疏分解和支持向量机的风电功率实时预测研究

准确的超短期风电功率实时预测是实现风能大规模调度的有效手段.针对风电场风电功率实时预测精度低的问题,文中提出了一种基于原子稀疏分解(ASD)理论和支持向量机的预测方法.该方法利用原子稀疏分解算法对风电功率时间序列进行分解,然后对得到的原子分量和残差分量分别进行自预测和支持向量机预测,最后将预测值组合叠加,从而得到最终的预测值.以某风电场的实测风电功率数据为例,进行不同时段的实时预测.结果表明,该方法可以显著提高风电功率的预测精度.     

基于VMD的CNN-BiLSTM超短期风电功率多步区间预测

风能是随机波动的不稳定能源,大规模风电并入电网将对电网稳定性造成很大影响,有效预测风电功率区间将极大提高电网经济性与稳定性。针对风电功率数据的非线性,非平稳特性,提出一种基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法。首先对风电功率数据进行小幅上下波动,形成CNN-BiLSTM模型的初始上下限。其次运用变分模态分解(VMD)分别将上下限数据分解为若干个子分量,以降低风电功率时间序列的非平稳特性。然后将子分量输入CNN-BiLSTM模型,得到风电功率预测区间。最后以改进覆盖宽度准则为目标函数优化区间,得到给定置信水平下的风电功率预测区间。使用某风电场实际运行数据,与CNN-GRU、CNN-LSTM、KELM、SVR这4种模型作比,验证结果表明基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法可有效提高风力发电超短期区间预测精度。     

基于卡尔曼滤波和支持向量机的风电功率实时预测研究

为了提高风电场风电功率实时预测精度,并为风电场输出功率的合理调度提供参考依据,提出了一种基于滚动的自回归积分滑动平均模型(ARIMA)和支持向量机(SVM)相结合的卡尔曼融合预测模型。通过对风电功率序列进行分析得出ARIMA模型,用其作为卡尔曼滤波的状态方程。再用SVM预测得出观测方程,用卡尔曼滤波将二者结合起来实现融合多步预测。具体的实例分析中采用了国家能源局的评价指标对预测精度进行评价。通过预测结果可以看出,融合预测算法中可以实现预测误差相互抵消的状况,减少了误差累积,提高了预测的精度。     

基于TPA-MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力（time pattern attention,TPA）机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法（density based spatial clustering with noise,DBSCAN）和线性回归算法进行风功率数据集的异常值检测,利用k最邻近（k-nearest neighbor,KNN）插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。     

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。     

基于改进的加权一阶局域预测模型的风电功率预测

为提高风电功率预测精度,将混沌时间序列分析应用于风电序列,研究风电数据混沌特性以及混沌时间序列加权一阶局域多步预测法(AOLMM).针对高维相空间中相点间的相关性大小不能被欧式距离精确反映的问题,利用灰色关联度和相点间的距离确定邻近点的权重大小,同时将中心点与邻近点延迟矢量最后一个分量的强相关性考虑在内,改进了预测方法.对风电功率预测分析可见,改进的方法具有较好的适应能力和预测精度.     

计及数据降维和数据清洗的超短期风电功率预测

现代通讯和测量技术飞速发展,“风电大数据”时代随之而来。在众多数据维度中提取有效的特征量能提高风电功率预测精度。Shap值可以解释特征变量对预测结果的影响程度,文中应用基于Shap的归因分析模型梳理出对风电功率影响较大的6维特征变量。将其与风电功率数据同时导入基于LOF-ARIMA的异常数据识别模型,从而对风电功率预测过程中所使用的历史数据加以清洗。最终根据VMD-PSO-BiLSTM分解模型完成风电功率超短期预测,实践表明可以显著提高风电功率预测精度。     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。