基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

基于改进的网格法和BA-BP-ARMA模型的风功率预测

为更精准地预测风功率,首先结合改进的网格法和K均值聚类(Kmeans++)算法预处理风机数据,以剔除异常数据,引入临界概率并根据聚类的实际物理意义设置聚类中心点个数,临界概率同时反映风机性能。其次,利用改进的蝙蝠算法(改进BA)结合前馈(BP)神经网络建立风功率预测模型,BA中引入速度权重因子和高斯变异来避免陷入局部极值。最后,针对风功率模型的预测误差建立自回归滑动平均(ARMA)模型,采用误差的ARMA模型来修正风功率的预测值。结果表明,BA-BP-ARMA组合模型的预测效果更好。研究成果可为风功率预测提供参考。     

基于PSOEM和神经网络的光伏电站功率预测

分析光伏发电输出功率预测的影响因素,确定了基于BP神经网络的功率预测模型,针对BP神经网络本身易陷入局部极值、收敛速度慢等问题,采用粒子群优化算法（PSO）和带扩展记忆粒子群优化算法（PSOEM）这2种群智能算法来优化BP神经网络的初始值和阈值,分别建立了基于PSO-BP神经网络和基于PSOEM-BP神经网络的光伏电站输出功率预测模型。根据某光伏电站2月1日—6月30日的光伏发电历史数据,利用所提3种模型对光伏发电系统进行了功率预测。误差对比结果表明,基于PSOEM-BP神经网络的功率预测精度明显高于基于PSO-BP神经网络的功率预测精度,故采用PSOEM优化后BP神经网络模型进行光伏功率预测,具有一定的理论和实用价值。     

数学建模方法在风电功率预测中的应用

分别利用数学建模方法中的BP神经网络、灰色预测GM(1,1)、简单移动平均法和自回归滑动平均(ARMA)方法进行风功率预测。首先简单介绍各方法的原理,其次对实测数据进行测试,最后对各方法的优缺点进行分析,从而为风电并网以及电网的合理调度提供科学依据。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于Elman神经网络的短期风电功率预测

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。     

基于BP和RBF神经网络的乙烷脉动热管对比研究

为研究BP和RBF神经网络对脉动热管热阻的预测及改善脉动热管性能,将加热功率、倾角及工作温区作为输入参数,热阻作为输出参数,建立BP和RBF神经网络模型。利用大量实验数据对BP及RBF神经网络进行训练并预测,将预测值与实验值比较,以验证BP和RBF神经网络预测性能。结果表明:BP和RBF神经网络均能较好地预测热阻;采用RBF神经网络,训练数据及测试数据线性回归决定系数R~2分别为0.999 44和0.969 76,预测结果相对误差分别为0.89%和2.97%,均方误差分别为1.43×10~(-7)和3.13×10~(-6);与BP神经网络相比,线性回归决定系数R~2更接近1,相对误差和均方误差更小,能更精确地预测热阻。     

基于Elman算法的光伏阵列的短期功率预测研究

根据青海某5 MW光伏电场的历史光伏发电功率数据和当地的气象预报信息,分析影响功率预测的主要气象因素。采用Elman神经网络算法,结合与预测日同日类型下整点时刻的气象数据和光伏输出功率数据,建立光伏发电短期功率预测模型。对不同日类型的光伏出力的预测结果表明,该短期预测模型具有较高的精度,有助于电网能量的调度,对电力系统的安全稳定运行有积极作用。通过与BP神经网络和非线性状态估计(NSET)算法对比研究表明,Elman神经网络具有更高的预测精度。     

基于BP神经网络的混凝土抗硫酸盐侵蚀预测研究

鉴于新拌混凝土流变参数与硫酸盐侵蚀劣化指标之间存在的非线性映射关系,基于新拌混凝土流变参数,利用BP神经网络建立了硫酸盐干湿循环侵蚀后混凝土抗压强度损失率、质量损失率及相对动弹性模量的预测模型,预测了混凝土受硫酸盐侵蚀程度。结果表明,BP神经网络模型预测的硫酸盐侵蚀结果与实测结果吻合较好,且预测误差较小,说明BP神经网络模型对混凝土受硫酸盐侵蚀后的劣化程度具有良好的预测效果。     

风电场采用健康系数与变下垂输出系统参与电网调频研究

针对风电场参与电网调频导致备用功率冗余的问题,建立了风电场基于健康系数的备用功率分配系统与变下垂系数的备用功率输出的系统。为了分配风机备用功率与控制风机备用功率输出,采用了ARMA风功率预测法对风电场5台风机的历史功率数据进行处理,得到风机的能量密度和功率预测准度,再通过模糊逻辑系统求得风机健康系数,并按照健康系数进行备用功率分配。当频率响应系统检测到频率误差后,控制风机变下垂功率输出系统进行功率补偿,稳定电网频率。仿真结果表明,基于健康系数的功率分配系统与变下垂功率输出系统增加了风电参与电网调频的能力,减少了系统备用功率的冗余。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

Nonlinear model identification of wind turbine with a neural network

A nonlinear model of wind turbine based on a neural network (NN) is described for the estimation of wind turbine output power. The proposed nonlinear model uses the wind speed average, the standard deviation and the past output power as input data. An anemometer with a sampling rate of one second provides the wind speed data. The NN identification process uses a 10-min average speed with its standard deviation. The typical local data collected in September 2000 is used for the training, while those of October 2000 are used to validate the model. The optimal NN configuration is found to be 8-5-1 (8 inputs, 5 neurons on the hidden layer, one neuron on the output layer). The estimated mean square errors for the wind turbine output power are less than 1%. A comparison between the NN model and the stochastic model mostly used in the wind power prediction is done. This work is a basic tool to estimate wind turbine energy production from the average wind speed.     

基于混合深度学习的风电功率预测及一次调频应用

为了解决高比例不确定性风电接入电力系统带来强烈调频需求的问题,提出了基于混合深度学习模型的风电功率预测及其一次调频应用方法。首先,采用孤立森林(Isolated Forest, IF)对历史数据进行异常值处理,提高数据质量,其次,构建卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)和注意力机制(Attention Mechanism, AM)的混合深度学习模型对风电功率进行预测。最后,依据功率预测精度配置超级电容器储能,设计储能调频控制原则,弥补风电机组自身预测误差,并协同风电机组参与电力系统一次调频。基于预测结果为4台风电发电机组2个负荷区域仿真系统配置超级电容器储能系统,利用digsilent平台进行了风预测误差和负荷波动下的一次调频仿真。结果表明：所提IF-CNN-BiLSTM-AM模型比BP和LSTM基准模型预测误差(MSE)降低了81.53%和51.44%,具有最优的预测性能;设计的风储一次调频模型与原则可有效应对风电预测误差和负荷波动...     

基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

基于神经网络和改进相似日的光伏电站功率预测

为提高光伏电站功率预测的准确率,提出了一种基于SOM神经网络与熵权法优化关联系数的相似日预测模型,利用麻城市某100MW光伏电站的气温、相对湿度、风速及国家气象站日照时数、总云量、低云量等气象要素,采用SOM神经网络推算出预测日的三个相似日,再利用熵权法优化关联系数确定三个相似日的系数求出相似日分辨率为15min的瞬时功率,作为BP神经网络输入对光伏电站进行短期功率预测,并通过与其他四种预测模型的对比分析评估其性能。结果表明,模型的月相对均方根误差、月平均绝对百分比误差分别为5.88%、3.03%,与效果最佳的原理法模型误差接近;基于熵权法优化的关联系数和云量数据的加入对预测准确率有较大提高;模型预测准确率较高,抗扰动能力较强,可集合至本部门开发的预测系统运用到实际中。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。