基于小波变换的短期风速预测综合模型

针对风速序列具有非平稳性、非线性、异方差性的特点,首先利用db3小波对原始风速序列进行多分辨率分析,并对其系数进行单支重构,得到表征风速序列内在特性不同频段上的概貌风速与细节风速;其次对不同频段上的风速序列建立时间序列主模型,采用LM检验法分析所建模型的残差序列,提出用ARCH模型和GARCH模型进行改进,更贴近实际地反应了风速变化的规律;最后通过实例验证该文方法能够有效提高预测精度.     

基于高斯过程回归的短期风速预测

准确预测风速能有效减轻风电场对整个电网的不利影响,提高风电场在电力市场中的竞争能力。为了提高风速预测的精度,提出一种基于高斯过程(Gaussian processes,GP)的风速预测模型。首先运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数,进而对混沌风速时间序列进行相空间重构。其次运用GP模型对重构后的风速时间序列进行训练,同时在贝叶斯框架下,确定协方差函数中的"超参数"。最后利用训练好的GP模型风速时间序列进行预测,并与支持向量机、最小二乘支持向量机和BP神经网络进行比较。仿真结果表明,基于GP的风速预测模型具有很好的稳定性,能够满足预测精度的要求,具有很大的工程实际应用价值。     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

风电场出力特性及风速超短期预测研究

风电出力具有随机性和波动性特点,通过开展风电特性分析及风电场出力预测,可以减轻风电不确定性对电网的影响。分析了风力发电特性,概述了风电出力预测方法,并建立基于误差校正的BP神经网络模型来进行风速预测,实例计算分析结果表明,该模型有效提高了预测精度。     

考虑气象信息的短期负荷预测

介绍了负荷预测和人工神经网络的相关知识。综合考虑了各个气象因素和综合气象指数对短期负荷预测的影响,设计了基于BP神经网络的短期负荷预测模型。利用人体舒适度和温湿指数进行预测,发现了理论预测和实际仿真的结果不同。研究发现由于风速的离散性和无规律性是导致误差的原因。以温湿指数作为输入,采用学习率可变的算法对杭州的负荷进行预测并进行了统计。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1 h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

风电场短期风速预测探讨

针对我国在风电场短期风速预测的研究还不能达到令人满意程度的现状，通过分析国外在风电场短期风速预测领域的研究情况，结合实例提出并详细阐述了时间序列法在这一领域中的应用，结果表明所建模型具有一定的实用价值。     

基于精准气象数据的地区电网短期负荷智能预测系统设计

基于分时分区精细化气象数据,研发地区电网短期负荷智能预测系统,实现功率曲线的日前精确预测。该系统的特点在于将网供负荷分解为多种功率分量的叠加,并针对各功率分量特点和影响因素,提供多种特征选择模式、预测方法以及历史参照日,以提高短期负荷预测的精度、自动化程度和工作效率。     

基于PSO-BSNN的短期风速预测

考虑到风的随机性和波动性,提出一种基于粒子群(PSO)优化B样条神经网络(BSNN)的短期风速预测方法。利用相空间重构方法确定BSNN的输入空间向量,BSNN可以灵活地改变对输入空间的划分和对隐层基函数的定义,对任意的网络输入,隐层基函数的输出只有少数非零,使网络输出简单,收敛速度快。但在传统的BSNN中,对输入空间节点位置的均匀划分是粗糙的,预测结果容易陷入局部极小而影响预测精度。粒子群优化算法是一种智能搜索方法,它具有较强的搜索能力并且容易实现,利用PSO优化BSNN输入空间的节点位置划分,可避免BSNN陷入局部极小并提高预测精度。仿真结果表明,基于PSO-BSNN的预测模型比传统的BSNN和BPNN预测模型具有更高的预测精度。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

Short-term wind power forecasting using model structure selection and data fusion techniques

This paper proposes a novel strategy to forecast the short-term wind power using model structure selection in combined with data fusion technique. The available inputs are usually treated as an integrated one for the predictive modeling, which ignores the fusion of the different types of inputs. This results the relationship between the multi-inputs and desired outputs are not effectively reflected in forecasting procedure. Moreover, the performances of the various types of data fusion methods are susceptible to the wind power distribution and critical factors such as smoothness, overlapping, the intrinsic amount of information evaluation and the number of neighbor points. These outlined factors can result the lower generality ability of the proposed methods due to the insufficient optimization of the model structure. So this paper presents short-term wind power forecasting method using model structure selection technique in combined with four representative fusions of dimensionality reduction methods to optimize the model structure, promote the computational efficiency and improve the forecasting accuracy. Experimental evaluation based on the real data from the wind farm in Jiangsu province is given to verify the effectiveness of the proposed method by comparing the traditional techniques.     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于自适应的动态三次指数平滑法的风电场风速预测

随着风力发电的快速发展,对风电场的风速实现较准确的预测也逐步成为风电领域研究的热点。为了提高风速的预测精度,综合考虑风速历史时间序列的影响,在传统的三次指数平滑方法的基础上,提出了一种自适应的动态三次指数平滑方法来进行风速预测。该方法利用了地毯式搜索方法,根据误差平方和最小的原则及时调整并获得最佳的平滑系数,然后进行后续的一步或多步风速预测。通过与传统的三次指数平滑法、灰色模型预测法比较,验证了自适应的动态三次指数平滑法在风电场风速预测中的准确性和高效性。     

基于模式识别的风电场风速和发电功率预测

风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用。根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法（ANFIS）进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测。以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性。