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CGKELM的风功率预测研究

风功率预测在不同应用场景中发挥着越来越重要的作用，从时间尺度上可分为超短期、短期和中长期的风功率预测。基于短期风功率预测对训练时间和预测精度均有较高要求，提出了一种利用共轭梯度(cconjugate gradient,CG)法优化核极限学习机(kernel extreme learning machine,KELM)的方法，即利用共轭梯度核极限学习机(CGKELM)方法来预测风功率，在保证预测精度的前提下，进一步缩短KELM的训练时间。通过利用某风电场的实测数据进行仿真，以均方根误差和相对标准差作为评价指标，将仿真结果分别与反向传播(BP)神经网络、最小二乘支持向量机(LSSVM)和其他KELM方法得到的结果进行比较。研究结果表明：在短期风功率预测方面，CGKELM训练时间比其他方法短，且参数设置简单。该结果证明了CGKELM的有效性，对风电项目的投资决策具有一定的参考价值。     

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SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明：与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

基于IBA-KELM的风电功率区间预测方法

在电力系统对功率预测提出更高要求的形势下,风电功率区间预测的方法已经逐渐成为新的热点。文章利用预测区间(PIs)的思想来估计风电场输出功率的不确定性。在优化区间预测目标函数的基础上,利用核极限学习机(KELM)学习速度快,泛化能力强的优点,提出一种基于KELM的风电功率区间预测模型。并使用改进后的蝙蝠算法(IBA)对模型的参数进行优化。为了克服BA易陷入局部最优的缺点,增加了其搜索时的多样性,并加入动态惯性权重,使其收敛速度更快。最后,用河北某风电场的数据进行实验仿真,与传统BP神经网络模型和BA-ELM模型对比分析,结果表明文章提出的预测方法具有速度快,精度高的优点。     

改进粒子群-极限学习机模型在面板堆石坝运行期沉降预测中的应用

针对极限学习机(ELM)沉降预测模型中随机权值和阈值导致部分节点无效的问题,引入改进粒子群算法(IPSO)优化极限学习机的参数,构建基于改进粒子群-极限学习机算法的面板堆石坝运行期沉降预测模型,并将其应用于某完建的面板堆石坝运行期沉降预测中。结果表明,与未优化的极限学习机预测模型和统计回归预测模型的拟合预测结果相比,经改进粒子群算法优化后的极限学习机预测模型在测点上的拟合精度更高,且由于引入改进粒子群算法后,极限学习机在满足精度条件下所需预设的隐含层神经元数更少,这可极大地降低模型网络的复杂度,避免模型在训练中出现过拟合现象;三个模型中IPSO-ELM模型的泛化能力更好,预测结果更精确、稳定。     

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...     

基于多分解策略和误差校正的超短期风电功率混合智能预测算法

为了提高超短期风电功率的预测精度,提出一种包含多分解策略和误差校正的混合智能风电预测算法。多分解策略通过改进的经验模态分解对风电功率进行预处理并利用小波变换对预测误差大的序列再次分解,在降低风电功率序列非平稳性的同时大幅降低高频序列的预测误差;然后利用粒子群优化的自适应神经模糊推理系统对误差进行校正,可降低单一预测算法带来的最大误差,提高算法的鲁棒性。最后,基于辽宁某风电场实测数据的算例分析验证所提算法的可行性与精确性。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼(Spearman)等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法(NNA)优化改进的长短期记忆网络(ILSTM)中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

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.     

基于SSA-PSO-ANFIS的短期风速预测研究

针对风速具有强非线性的特点,提出一种奇异谱分析和改进粒子群优化自适应模糊推理系统的短期风速预测模型。该方法采用奇异谱分析将原始序列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。为提高预测精度,改用改进粒子群算法对自适应模糊推理系统的隶属度函数进行优化。以河北某风电场实测数据进行仿真并与传统的神经网络对比分析,结果表明将风速重构后分别预测再叠加降低了原始问题的复杂度,同时提高了预测精度,在不同时间间隔的风速序列预测中该模型显著降低了多步实时预测中的误差。     

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。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于SA-PSO的风电消纳经济性动态规划分析

  [目的]  电网运行规划研究在电力系统中具有十分重要的地位,对电源布局具有决策意义,其本质上是一个多约束组合优化问题,重点研究了风电运行成本的计算模型。  [方法]  该模型对电源布局规划中需要重点考虑的约束问题进行了分析,采用粒子群算法用于解决此类目标优化问题,并结合模拟退火理论对传统粒子群算法进行了优化处理。  [结果]  通过仿真计算,与遗传算法及粒子群算法进行了对比分析,证实了这种算法的优越性,可以找到满足各种约束条件的最优电网出力方案。最后,进一步分析了在不同风速下对风电并网运行成本影响。  [结论]  该模型应用于电网规划分析是可行且有效的。     

基于改进混沌搜索的AMPSO-BP短期负荷预测

为了精准预测微电网短期负荷,采用模糊聚类方法选择相似日粗集,用灰色关联分析法选取相似日,并针对神经网络易陷入局部极小值的缺点,提出基于混沌搜索的自适应变异粒子群优化算法(AMPSO)获得神经网络最佳参数,建立AMPSO-BP神经网络短期负荷预测模型。对收集的电网数据进行试验仿真结果显示,所提方法有很高的预测精度和稳定性,在实际中有一定的应用价值。     

基于MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

遮阴条件下光伏MPPT自适应粒子群算法优化

针对在局部阴影情况下光伏阵列的功率-电压（P-U）特性曲线呈多峰特性,粒子群算法应用于局部阴影下的最大功率点跟踪（MPPT）跟踪,存在搜索速度慢、精度低的缺点。提出自适应惯性权重粒子群优化（PSO）算法的最大功率点跟踪算法,自动更新惯性权重w和学习因子C₁、C₂,通过仿真实验,优化前的全局最大功率点（GMPP）跟踪时间是0.045 s,输出功率为468 W。优化后的自适应粒子群算法GMPP跟踪时间为0.020 s,输出功率稳定在为480 W,光伏阵列的输出功率跟踪误差小于30%。在所搭建辐照度突变模型仿真中,在4.022 s突变到300 W/m²时经过0.05 s又重新跟踪到了新的最大功率点稳定在0.075 MW。最后通过实验平台验证,优化后的自适应粒子群优化算法与传统的粒子群优化算法相比,追踪时间减少了55.5%,误差小于5%,验证了该算法可行性和实用性。