基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要.针对极限学习机(ELM)随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法(SSA)优化极限学习机的组合预测模型(SSA-ELM).利用收敛速度快、...     

基于RBF-BP组合神经网络的短期风电功率预测研究

为提高风电输出功率预测精度,提出一种基于RBF-BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上,对风速进行预处理。根据相关历史数据,建立RBF-BP组合神经网络短期风电功率预测模型,对风电输出功率进行预测。仿真分析结果表明,该预测方法能有效提高风电输出功率预测精度。     

基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

基于极限学习机的光伏发电短期预测校正方法

光伏发电短期预测在电力系统实时调度中具有重要意义。受诸多因素影响,光伏发电短期预测精度还无法达到光伏电站要求,对光伏并网调度带来较大影响。针对这一问题,提出了基于极限学习机（ELM）的光伏发电短期预测校正方法。说明了光伏发电短期预测中的误差特征,并利用提出的校正方法对原来光伏发电短期预测结果进行了优化。通过与其他方法的对比,验证了此方法的有效性,说明了论文方法能够有效提高光伏发电短期预测精度。     

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。     

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。     

基于灰色关联分析的BSO-ELM-AdaBoost风电功率短期预测

提出基于灰色关联分析与自适应提升的天牛群优化极限学习机风电功率短期预测方法.首先,利用灰色关联分析构建训练样本集,提高历史数据与预测日时间尺度上的信息关联度.在此基础上,利用天牛群算法优化极限学习机,为极限学习机寻找最优权阈值,提高其泛化能力.最后,引入集成学习理念,通过自适应提升算法学习组合多个极限学习机弱预测器,对...     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

基于ADQPSO-KELM风电功率短期预测模型的研究

为了改善传统风电功率预测方法中误差较大且稳定性较差的问题,引入量子粒子群(QPSO)优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群(ADQPSO)优化算法,通过ADQPSO算法对核极限学习机(KELM)模型进行优化,建立了自适应扰动量子粒子群优化的核极限学习机(ADQPSOKELM)风电功率短期预测模型,并利用内蒙古高尔真风电场采集的风电功率时间序列数据为试验样本进行48h预测分析。结果表明,ADQPSO-KELM风电功率短期预测模型与其他基于KELM优化的风电预测模型及传统风电预测模型相比,其预测的误差更小、准确度更高,且预测稳定性显著增强。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。     

风电功率预测预报系统的设计与开发

鉴于风电场的输出功率预测对电网的安全运行具有重要意义,采用C/S结构,在Windows Server 2008 R2操作系统上的.NET3.5框架环境下进行系统开发,以SQL SERVER2008作为整个系统的数据支撑,设计开发了一套适用于不同环境的风电场的输出功率预测预报系统,制订了标准化与可订制的数据通讯接口,提供了独立的后台自动化预报模块,具有6种短期功率预报算法和4种超短期功率预报算法,风电场可根据实际运行情况选择最优的预报方法运行。系统应用结果表明,该系统短期预报的准确率达80%以上,超短期预报的均方根误差在15%以下,能满足国家能源局和国家电网相关要求。     

Short-term wind speed prediction based on improved PSO algorithm optimized EM-ELM

Short-term wind speed prediction is of importance for power grids. It can mitigate the disadvantageous impacts of wind farms on power systems and enhance the competitiveness of wind power in electricity markets. A short-term wind speed prediction model is proposed. Many useless neurons of incremental extreme learning machine have little influences on the final output, at the same time, reduce the efficiency of the algorithm. In order to solve this problem, based on error minimized extreme learning machine, an improved particle swarm optimization algorithm is proposed to decrease the number of useless neurons, achieve the goal of reducing the network complexity and improving the efficiency of the algorithm. The stability and convergence of the algorithm are proved. The actual short-term wind speed time series is used as the research object. Multistep prediction simulation of short-term wind speed is performed out. Compared with the other prediction models, the simulation results show that the prediction model proposed in this paper reduces the training time of the model and decreases the number of hidden layer nodes. The prediction model has higher prediction accuracy and reliability, meanwhile improve the prediction performance indicators.     

考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归(SVR)相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解(CEEMDAN)方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解(VMD)方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。     

风电场风速及风电功率预测方法研究综述

由于风能的随机性以及电力系统的非线性等原因,预测风电功率时需要考虑众多的不确定因素影响。现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报(NWP-numerical weather prediction)的物理预测方法模型复杂、计算量大,较少用于短期预测;统计预测方法模型简单,数据需求量少,较适合于数据获取有一定困难的情况;人工智能预测方法不依赖于对象的精确模型,适合于随机非线性系统;综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述,并在总结前人研究的基础上提出了一些可进一步研究的问题。     

风电场发电量预测技术研究综述

首先综述了风电在我国的发展现状,分析了目前风电场接入电网急需解决的问题,然后总结了现在风电场发电量预测模型的研究方法。接着分析了风电场发电量预测技术国内外的研究现状和发展趋势,最后提出了基于混沌理论的风电场发电量预测的方法。     

大型风电场超短期风电功率预测

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。