地下河日流量预测模型

将门限自回归模型(TAR)和小波-BP神经网络组合模型应用于后寨河流域出口流量的预测中,建立了阶数分别为5、4、1三段的自回归模型.采用db3小波对地下河日流量序列进行分解作为BP神经网络的输入,建立小波-BP神经网络组合模型.从绝对误差和相对误差角度对比分析两种模型,得出小波-BP神经网络组合模型更适合本地下河日流量预测.针对两模型的不足提出了改进的建议.     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

基于风速变化周期的风电场功率分类组合预测模型

基于风速在日时间尺度下的变化周期,提出一种风电场功率分类组合预测模型。该模型采用Morlet小波变换,分析数值天气预报中的风速在日时间尺度下的变化周期及特征;结合主成分分析和谱聚类方法对具有不同周期特征的风速变化过程进行分类;针对不同的风速变化类型分别建立遗传优化BP神经网络、RBF神经网络和支持向量机的预测模型,并选取每类对应的最优算法进行组合,预测功率时根据未来风速过程动态切换相应模型。以中国某风电场为例进行验证,结果表明,按8 h的变化周期对风速变化类型进行分类,可得到较好的分类组合预测结果,其精度较单一预测模型提高0.87%,合格率提高1.05%,验证了所提模型的有效性,为风电场功率预测提供了新思路。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差（MV）法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明：组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

基于STCP-BP的风速实时预测方法研究

为提高实时预测精度,提出一种新的基于时空相关性和BP神经网络的风速实时预测方法。该方法首先基于风速演变的物理特性,依据目标预测点若干个邻域点的风速及风向信息,建立时空相关性预测(spatio-temporalcorrelation predictor,STCP)模型并得到不等时间间隔的预测风速;然后依据目标预测点的风速序列建立BP神经网络预测模型进行风速的实时预测;最后将STCP结果以一定的滑动时间窗与BP预测模型得到的实时预测风速进行适当加权组合得到最终的预测风速。以某区域多个风电场实测数据为例进行仿真测试,结果表明,与BP预测模型相比,该文提出的STCP-BP组合预测方法可有效提高风速的实时预测精度。     

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。     

基于小波分析和PSO优化神经网络的短期风电功率预测

针对风电场风速和风电功率序列起伏波动大、无明显变化规律等特点以及传统神经网络收敛速度慢、易陷入局部极小值等缺陷,提出了基于小波分析和改进粒子群算法优化神经网络的短期风电功率预测方法。首先,通过小波方法将用于神经网络训练的历史风速和风电功率序列进行分解,再针对风速和风电功率的各个分量分别建立相应的神经网络模型,采用分期变异粒子群算法对各个分量的神经网络学习算法进行优化,最后将各个分量的预测值进行小波重构得到风电功率预测结果。江苏如东某风电场风电机组的实验结果证明预测精度较传统神经网络方法有较大提高,验证了所提出方法的有效性。     

基于自适应阈值的小波BP神经网络风电变桨系统故障预测

为了提高风能资源的有效利用,提高风电机组运行的可靠性、经济性和安全性,故障预测变得尤为重要。故障预测方法在判断设备隐患、制定合理的风电场运维方案方面具有重要的理论和实际意义。围绕变桨系统故障预测的问题,文章利用小波对机械信号特征敏感的优点,引入自适应阈值函数实现对小波降噪的改进,结合具有自学习能力和并行处理能力强的BP神经网络,建立了自适应阈值的小波BP神经网络故障预测模型。该模型结合了小波分析的技术特点,减少了噪声对预测模型的干扰,模型简洁、易实现。应用该网络预测模型,提前15 d对变桨系统故障预测的准确率达到了92.27%。     

Bayesian adaptive combination of short-term wind speed forecasts from neural network models

Short-term wind speed forecasting is of great importance for wind farm operations and the integration of wind energy into the power grid system. Adaptive and reliable methods and techniques of wind speed forecasts are urgently needed in view of the stochastic nature of wind resource varying from time to time and from site to site. This paper presents a robust two-step methodology for accurate wind speed forecasting based on Bayesian combination algorithm, and three neural network models, namely, adaptive linear element network (ADALINE), backpropagation (BP) network, and radial basis function (RBF) network. The hourly average wind speed data from two North Dakota sites are used to demonstrate the effectiveness of the proposed approach. The results indicate that, while the performances of the neural networks are not consistent in forecasting 1-h-ahead wind speed for the two sites or under different evaluation metrics, the Bayesian combination method can always provide adaptive, reliable and comparatively accurate forecast results. The proposed methodology provides a unified approach to tackle the challenging model selection issue in wind speed forecasting.     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

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。     

基于功率预测的风力机健康状态监测

随着风力发电的广泛应用,对风力机健康状态进行准确监测的重要性日益凸显,为此提出了一种基于风力机功率预测的健康状态监测方法,即结合多项式模型和自回归模型特点,考虑风速与风力机输出功率之间的相关性和滞后性,利用改进非线性自回归模型对某风场风力机输出功率进行预测,并将预测结果与传统灰色模型、BP神经网络模型预测结果进行对比,计算与实测数据之间的误差。最后,选取功率预测系数中变化较为稳定的系数项作为观测系数,通过标准残差法确定异常观测系数反推风力机健康状态。分析结果表明,改进非线性自回归模型预测值与实测数据较为接近,趋势较为吻合。相比于传统灰色模型、BP神经网络模型,改进非线性自回归模型预测误差较小,精度较高。可见通过分析功率预测系数变化能够及时发现风力机健康状态变化,为故障发现提供参考。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

Hybridizing the fifth generation mesoscale model with artificial neural networks for short-term wind speed prediction

This paper presents the hybridization of the fifth generation mesoscale model (MM5) with neural networks in order to tackle a problem of short-term wind speed prediction. The mean hourly wind speed forecast at wind turbines in a wind park is an important parameter used to predict the total power production of the park. Our model for short-term wind speed forecast integrates a global numerical weather prediction model and observations at different heights (using atmospheric soundings) as initial and boundary conditions for the MM5 model. Then, the outputs of this model are processed using a neural network to obtain the wind speed forecast in specific points of the wind park. In the experiments carried out, we present some results of wind speed forecasting in a wind park located at the south-east of Spain. The results are encouraging, and show that our hybrid MM5-neural network approach is able to obtain good short-term predictions of wind speed at specific points.     

基于BP神经网络方法的风电场风速插补分析应用

[目的]准确的风资源数据对风场的风资源评估和发电量计算有着重大意义.由于机械故障、天气因素和人为影响等原因,风场内风速数据出现采集时间短、间断点多、数据失真等诸多问题,给风资源的评估带来不小的麻烦.[方法]现阶段风电行业内采用基于相关测量预测方法(MCP,Measure-Correlate Predict)(可称之为传...     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。