基于ELMAN神经网络的短期风速预测

为了提高风电场风速短期预测的精确性,本文提出了基于Elman神经网络的预测。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。然后利用Elman神经网络对相空间重构后的风速时间序列进行预测,预测结果表明基于Elman神经网络的预测效果满足了精度要求。本文同时运用BP神经网络进行预测。仿真结...     

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

基于熵权法的PHC管桩承载力组合预测

为克服单项预测方法产生的误差,利用灰色模型GM（1,N）、多元线性回归、BP神经网络等3种单项预测方法建立组合预测模型,并采用熵值法确定加权系数。通过对PHC管桩承载力进行比较预测,结果显示GM（1,N）法平均绝对百分比误差（MAPE）值为5.4%,多元线性回归法的MAPE为3.0%,BP神经网络法的MAPE为2.8%,组合预测法的MAPE为2.3%。因此组合预测法精度较高,实用性更强。     

风电场发电功率短期预测组合模型研究

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合时间序列模型,建立了组合预测模型。通过对结果进行对比分析,显示组合模型可以得到较高的短期发电功率预测准确度,更好地满足实际现场需要。     

基于门控递归单元神经网络的风速误差修正模型短期风电功率预测

随着风力发电的日益普及,风电功率预测已成为辅助电网调度和电力交易的基础.针对短期风电功率预测问题,提出一种基于门控递归单元神经网络的数值天气预报风速误差修正模型.首先,提取数值天气预报风速误差的标准差作为权重,并根据数值天气预报风速时间序列对这些权重进行重新排列,得到权重时间序列.然后,提出基于双向门控递归单元神经网络...     

考虑风速波动特性的VMD-GRU短期风电功率预测

提高风电功率预测的精准度能为大规模风电并网提供安全保障,为此提出一种考虑风速波动特性的短期风电功率组合预测方法.首先,定义5种风速波动类型,对数值天气预报中的历史风速序列进行波动类型划分,得到不同风速波动类型的天气时段;其次,将这些天气时段对应的历史风电功率序列进行分类,采用变分模态分解算法对各类风电功率序列进行分频计算,得到特征、频段互异的多个子模态;然后,利用门控循环单元神经网络建立每个子模态预测模型,将各个子模态预测结果进行叠加,得到风电功率预测值;最后,对待测时段的风速序列进行波动类型划分和识别,选取相匹配的功率预测模型计算出最终预测值.利用某实际风电场的数值天气预报风速数据和功率数据进行仿真分析,验证所提组合预测方法的有效性.     

基于EMD的短期风速预测混合模型

为了让风电电力系统在并网时能够平稳运行,降低因系统波动带来的经济损失,同时提高风电电力系统的竞争能力,找到一种稳定准确的风速预测方法有着重要且现实的意义。在机器学习的方法中,基于反向传播算法调整权值的BP神经网络是最常用也是最有效的方法之一。尽管BP神经网络拟合非线性序列的能力很强,但是在调整权值的过程中收敛速度慢,同时十分容易陷入局部最优值,为有效解决这两个可能出现的问题,将遗传算法(GA)用于优化神经网络。在此基础上,考虑到风速序列的间歇性、非平稳性以及差异性等特点,提出了一种基于经验模态分解(EMD)、遗传算法(GA)和BP神经网络的短期风速预测模型EMD?GA?BPNN,通过和其他几种模型的横向对比,验证了此模型在短期风速预测效果上的可靠性与优势。     

风电场风速预测的研究方法

介绍了国内外风速预测的主要方法及其基本原理,并分析了各自特点,通过比较各算例的精度,找出了影响预测结果的因素,并指出了改进预测方法的发展方向.     

基于样本熵和支持向量机的短期风速预测模型

提出一种经验模态分解、样本熵和支持向量机相结合的短期风速组合预测方法。首先利用经验模态分解将原始风速序列逐级分解成若干个规律性更强的子序列,以减小不同特征尺度序列间的相互影响,提高预测精度。接着计算各风速子序列的样本熵,将复杂度相近的序列归类形成一个新序列,以减少所需建立的预测模型的数量。然后对经 EMD-SE 处理后得到的新的风速子序列分别建立支持向量机预测模型,并采用遗传算法实现各模型参数的自动选取和寻优,最后将各序列的预测结果叠加得到风速预测结果。算例研究表明,该方法充分挖掘了风速序列的特性,能快速地对风速变化作出响应,预测的均方根误差和百分比误差分别比单纯采用支持向量机法降低了5.1%和5.4%,有效地提高了短期风速预测的准确度。     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于多尺度小波分解和时间序列法的风电场风速预测

针对目前风电场风速预测精度较低的问题,提出一种基于多尺度小波分解和时间序列法的混合风速预测模型,通过小波分解将风速非平稳时间序列分解为不同尺度坐标上的平稳时间序列,然后把分解后的各层序列重构回原尺度,再应用自回归滑动平均模型对平稳时间序列进行预测,最后通过叠加合成得出原始风速序列的预测值。同时在验证时间序列模型有效性与模型选优过程中,采用基于贝叶斯理论的SBC定阶准则,改善了以往模型定阶准则的收敛特性。在算例分析中分别利用本文方法和常规预测法对实际风速分布特性进行预测分析,结果表明,本文方法对不平稳风速序列的预测具有更高的预测精度和更强的适应性。     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

WRF模式在风电场风速预测中的应用

准确的风电场风速预测是风电场安全稳定运行的基本保障.从风速预测的准确性和效率两方面分析利用WRF(Weather Research and Forecasting)中尺度数值预报模式时不同嵌套网格分辨率对风电场风速预测的影响.在此基础上,对宁夏某风电场进行提前102h的逐时风速预测并与实测资料进行对比.结果表明:随着网格分辨率的提高,风电场风速预测精度略有提高,但计算时间变长.兼顾预测精度和效率,建议使用3层网格.WRF模式能够较好地捕捉风速随时间的变化趋势,有效增加预测时效,使风电场风速预测可以提前到2～4d,为风电场的运行和控制提供依据.     

燃气负荷组合预测中贝叶斯权重法的应用

将贝叶斯概率理论引入组合预测模型中,建立了基于GM(1,1)和偏最小二乘回归模型的燃气负荷动态权重组合预测模型。通过对某市的实例分析,结果表明,此方法有效地提高了预测精度。     

应用高阶统计量对风电场风速建模与仿真

研究风力发电仿真首先要研究风能特性的仿真。针对某风电场实测风速标本进行了基于高阶统计量时间序列的风速建模与仿真,不但解决了统计学风速模型不易实现且无法建立多种变化风速模型的问题,而且高阶统计量理论的应用消除了传统时间序列风速建模中把自然风完全等同于理想高斯过程所带来的误差,同时去除了测量噪声的影响。     

一种动态分群带熵权的粒子群优化方法

为提高粒子群优化的求解性能,提出了一种动态分群带熵权的粒子群优化求解方法．该方法采用k的均值聚类获得子群总数,在子群粗搜索过程中充分利用其他粒子的熵信息,采用子群及其他子群搜索的最优解信息构建熵权以调整惯性权重,利用自身群粒子经过m次迭代时的优化信息构建熵权以调整本群的全局最优值．在子群精搜索过程中,利用各子群获得的最优解信息作为新群的初始设置,利用其他粒子的迭代信息构建熵权来调整全局最优值．采用传统的粒子群优化算法、其他文献中的方法以及新提出的方法分别对4个经典的测试函数进行对比实验,从获得解的最优值、平均值、标准差以及平均迭代数作对比,从而验证了该方法具有求解精度高以及优化求解迭代次数少等优点．