基于MRMR的ORELM的短期风速预测

由于风速具有间歇性、随机性及波动性等特点,导致大规模风电并网对电力系统的安全、稳定运行带来严重影响。文章提出一种基于最大相关最小冗余(Maximum Correlation Minimum Redundancy,MRMR)的离群鲁棒极限学习机(Outlier Robust Extreme Learning Machine,ORELM)的短期风速预测新方法。首先分析影响风速的属性特征,采用MRMR算法来衡量不同风速属性特征与风速的相关性,进而确定风速属性特征的输入维度;然后对极限学习机(Extreme Learning Machine,ELM)进行优化,构建ORELM风速预测模型。最后以美国某大型风电场实测数据为依据进行风速预测,仿真结果表明该方法具有较高的预测精度。     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

基于k-means聚类的SVR短期风速预测

准确的风速预测是风力发电功率预测的重要基础。为了进一步提高风速预测精度,文章提出一种基于k-means聚类的支持向量回归机(SVR)的短期风速组合预测新方法。首先分析影响风速变化的因素,计算不同风速属性相对于风速序列的皮尔逊相关系数(PCC)值,并对其进行加权;然后采用k-means聚类方法对风速样本进行聚类;再利用SVR针对每组样本建模;最后结合实际风电场进行仿真,结果表明,该方法具有较高的准确性和可行性。     

基于分解去噪和LSSVM的短期风速预测

随着风能在电力系统运行中的重要性不断加强,准确可靠的风速预测可以有效提高电网运行的稳定性,提高电网经济效益.提出了一种分解去噪、智能算法优化LSSVM的短期风速混合预测模型,首先对初始风速数据进行变分模态分解(VMD),然后利用样本熵(SE)评估各子序列的复杂程度,采用奇异谱分析(SSA)对最无序子序列进行降噪处理;一...     

基于优化聚类的组合风速短期预测

准确的风功率预测对电力系统安全、稳定运行具有重要意义,而风速预测是风功率预测的关键。文章提出一种基于优化模糊C均值(Optimal Fuzzy C means,OFCM)聚类的组合风速短期预测方法。首先,采用模拟退火遗传算法优化模糊C均值聚类算法的初始聚类中心;其次,基于优化模糊C均值聚类算法将初始风速属性样本数据进行分组;再根据不同风速样本组,运用极限学习机(Extremely Learning Machine,ELM)构建组合风速预测模型;最后,通过风速实测值与预测值的对比,验证了该方法的可行性。     

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。     

基于径向基函数神经网络的风速预测

针对短期风速预测问题,提出基于交叉迭代模糊聚类算法和正则化正交最小二乘法的径向基函数神经网络预测方法。该方法首先利用交叉迭代模糊聚类算法确定样本数据的模糊聚类中心,然后采用正则化正交最小二乘法进一步优选径向基函数中心,并将广义交叉有效性指标作为停止选择过程的标准。该方法可有效减小网络规模,提高网络推广能力,并能避免数值病态情况发生。以我国某风电场实测风速时间序列为例进行计算和分析,其结果验证了所提方法的有效性。     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

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。     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

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。     

基于风速时空关联的多步预测方法

基于风速的空间关联性提出一种新的多位置多步风速组合预测方法.对风场内各风力机进行灰色关联分析,并据此利用昆虫优化算法进行优选重构,获取目标风力机及临近域空间信息.利用卷积神经网络对重构矩阵进行空间特征提取,并输入长短时记忆网络进行多步预测.最后,将所提方法应用于不同风场进行风速预测,通过对比分析验证所提方法的预测精度和...     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种...     

基于卷积和共享权系数长短时记忆网络时融合机制在风速预测上的应用研究

针对对于风能规划和应用都具有重大影响的风速存在强随机性问题,该文提出结合卷积神经网络（CNN）和共享权重长短期记忆网络（SWLSTM）的空时融合模型（CSWLSTM）,充分提取风速序列中蕴含的空域和时域信息,以提升预测精度。此外,为了获得可靠的风速概率预测结果,提出一种新的结合CNN、SWLSTM和高斯过程回归（GPR）的混合模型,称为 CSWLSTM-GPR。将CSWLSTM-GPR应用于中国内蒙古风速预测案例,从点预测精度、区间预测适用性和概率预测综合性能3个方面与相同结构的CNN和SWLSTM模型的风速预测方法进行比较。CSWLSTM-GPR的可靠性测试保证了预测结果的可靠性和说服力。实验结果表明,CSWLSTM-GPR在风速预测问题上能获得高精度的点预测、合适的预测区间和可靠的概率预测结果,也充分展现了该研究所提出CSWLSTM在风速预测方面具有较好的应用潜力。     

基于物理原理的风电场短期风速预测研究

对符合功率预测要求的短期风速预测进行研究,提出了基于物理原理的预测方法,该方法以数值天气预报(Numerical-Weather-Prediction,NWP)风速为输入数据,采用粗糙度变化模型与地形变化模型反映风电场局地效应对大气边界层风的影响;通过与不同风况下的实测风速进行比较,表明预测结果基本能满足预测精度的要求,但预测准确性会随风速变化剧烈程度的增强而有所降低;根据误差分析,NWP风速的准确性是影响预测结果的最主要因素。     

基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。