共查询到20条相似文献,搜索用时 187 毫秒
1.
2.
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。 相似文献
3.
4.
5.
降水通常是一个地区水资源的主要补给来源,其准确预测对于水资源量的预测等十分重要。为提高降水量的预测精度,以吉林省西部某气象站为例,采用奇异谱分析对月降水量数据进行预处理,提取出多个独立的子序列,再利用支持向量回归机对不同子序列单独建立预测模型,对不同子序列预测模型的输出值求和即可得到该耦合模型的预测值,并利用该耦合模型(SSA-SVR)与小波分析-支持向量回归机耦合模型(WA-SVR)以及在原始降水量数据基础上建立的支持回归机预测模型(SVR)对其月降水量进行步长为1个月、3个月以及6个月的预测。结果表明,三种模型中,SSA-SVR模型的预测值与实测值最为接近,预测精度更高。 相似文献
6.
为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。 相似文献
7.
针对区域电力负荷的时间序列数据随机性强、预测精度低及单一模型的数据特征提取能力差等问题,提出了一种支持向量机(SVM)、STL时序分解法、长短期记忆神经网络(LSTM)组合的电力负荷预测模型。该模型利用SVM对时间序列的电力负荷数据进行初始预测,并通过STL时序分解法对残差序列进行时序分解,从而提高残差序列的稳定性,减小其随机性,最后用LSTM对SVM的预测误差进行修正。试验结果证明,该方法利用误差修正可有效处理随机性强的数据,有利于预测结果的稳定性,提高预测精度。 相似文献
8.
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。 相似文献
9.
分布式光伏系统输出功率的预测是对配电网进行协调调度,进而有效消纳分布式光伏发电的关键。文章对天津某地区配电网中分布式光伏电站的功率特性进行研究,建立了基于ARIMA时间序列的分布式光伏系统输出功率预测模型。此外,还分别建立了基于ARIMA时间序列与神经网络的分布式光伏系统输出功率预测模型,以及基于ARIMA时间序列与支持向量机的分布式光伏系统输出功率预测模型,并比较了3种预测模型的预测误差。分析结果表明,与其他2种预测模型相比,基于ARIMA时间序列与支持向量机预测模型的预测误差较小,晴天、雾霾天、阴天和雨天条件下,该模型的预测误差分别为7.02%, 9.13%, 9.35%和9.48%,该模型的年预测误差为13.65%。 相似文献
10.
11.
基于Elman神经网络的短期风电功率预测 总被引:1,自引:0,他引:1
为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。 相似文献
12.
风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。 相似文献
13.
14.
15.
16.
针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机(LS—SVM)的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化(0uantum—behaved Particle Swarm Optimization,QPSO)参数选择的加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS—SVM)的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。 相似文献
17.
18.
针对甘肃酒泉千万千瓦级风电基地的风电场规划.在大量实地查勘的基础上,根据各个风电场的面积大小、地形状况、开发规模,并充分考虑风电功率预测的需求以及测风塔实地建设的可行性,采用统计与理论分析、流体力学模型模拟典型风速分布等方法,提出合理的测风网络布局方案。为实现高精度、大区域范围的风能资源评估和风电功率预测提供技术支持,服务于风电大规模开发和上网输送。 相似文献
19.
传统无功补偿装置补偿控制精度低,功能单一,电容器投切过程易产生较大的涌流,引起系统过电压。为此,设计了新型的智能无功补偿控制器,配合零投切复合开关完成低压配电无功补偿相应功能。控制器硬件上采用dsPIC33F系列处理器和高精度模数转换芯片MCP3909构成,软件上采用准同步采样算法对电网参数进行采集和计算。经试验测试,该设计能够精确控制,分级补偿,过零投切,对系统无功功率进行有效补偿,显著提高功率因数。 相似文献
20.
风电的波动性和随机性,尤其是功率爬坡事件严重威胁着电网运行的安全和稳定。功率爬坡是极端天气影响下产生的,属于小概率事件。其极低的发生概率导致历史爬坡样本数量严重不足,并制约了传统功率预测模型的预测精度。针对此类问题,提出一种基于生成对抗网络的风电爬坡功率预测方案。将历史爬坡数据和模拟特征量作为输入,通过生成器和判别器的对抗训练,生成大量与历史爬坡数据特征相似的模拟爬坡数据,实现爬坡数据集的扩充。再将扩充后的爬坡数据集输入给长短期记忆神经网络算法,进行风电爬坡功率预测。通过仿真测试,验证了该方法在历史爬坡数据匮乏情况下风电爬坡功率预测的有效性。并与传统预测方法进行了对比,证明了其预测的精确性。 相似文献