电力短期负荷的多变量混沌预测方法

为提高电力短期负荷预测精度和充分利用混沌短期预测优势,拓展单变量时间序列相空间重构到多变量时间序列中,相空间重构了由历史负荷及其相关因素序列所构成的多变量时间序列,计算了多变量时间序列的嵌入维数和延迟时间并用RBF神经网络预测负荷。研究表明多变量重构相空间技术的预测效果优于单变量重构。     

气象特征频繁变化区域的光伏功率预测方法

准确的光伏功率预测对电网稳定运行具有重要意义，因此提出一种气象特征频繁变化区域的光伏功率预测方法，以期能提高光伏功率预测的准确性。首先，基于Person相关性分析构建光伏功率预测的多变量时间序列；然后，利用C-C法对光伏功率预测的时间序列进行MPSR（多变量相空间重构），进一步挖掘光伏功率与气象特征间的耦合关系；最后，利用SVR（支持向量回归）对光伏功率与气象特征重构后的相空间进行非线性拟合并预测。为验证MPSR能够提高预测效果，同时比较了MPSR结合BPNN（反向传播神经网络）与RBFNN（径向基函数神经网络）的预测效果。算例分析表明，MPSR能够进一步挖掘气象特征变化频繁区域中包含的特征信息，结合MPSR的预测模型提高了光伏功率的预测精度。     

一种多变量时间序列的短期负荷预测方法研究

针对短期负荷影响因素多的特点提出了电力短期负荷的多变量时间序列预测方法,并根据单变量时间序列的延时重构对由历史负荷序列及其相关因素序列所构成的多变量时间序列进行了相空间重构,采用互信息法计算了各子序列的延迟时间,各子序列的嵌入维数则运用平均一步绝对误差和最小一步绝对误差进行选取,然后通过RBF神经网络的非线性映射能力进行电力短期负荷预测.研究结果表明多变量时间序列的预测效果相对于单变量序列有较大提高.     

基于混沌-RBF神经网络的光伏发电功率超短期预测模型

光伏出力时间序列的随机性和波动性使得光伏出力预测难以达到理想的精度,而提高预测精度是降低光伏并网不利影响的前提。因此,在揭示光伏出力波动本质的基础上,提出了混沌-径向基函数(radial basis function,RBF)预测模型。首先,应用小波去噪处理后光伏发电功率实测数据,基于C-C法重构系统相空间,运用相图法和改进最大李雅普诺夫(Lyapunov)指数法,对输出功率进行非线性动力学分析,确定光伏出力具有混沌特性;然后,分析光伏出力相空间轨迹局部变化的规律性,采用RBF神经网络对系统轨迹进行拟合,建立基于混沌-RBF神经网络的光伏发电功率超短期预测模型;最后,选取去噪后的实测数据对所建模型进行训练和预测,验证模型在不同天气状况下的预测效果。结果表明,所建模型对晴朗、多云和阴天等天气状况都有较好的预测精度,显示出良好的预测性能。     

电力短期负荷的多变量时间序列线性回归预测方法研究

根据单变量时间序列的相空间重构思想，提出了一种电力短期负荷的多变量时间序列相空间重构方案，同时针对每一分量时间序列采用互信息法进行最佳延迟时间的选择，最优嵌入维数则采用最小预测误差法进行确定。根据相点间的欧氏距离和关联度，提出了最近邻域点的优化选择方法，建立了多变量时间序列的一阶局域线性预测模型。通过重庆某地区电力系统短期负荷预测的计算实例表明，基于多变量时间序列的负荷预测方法与单变量负荷预测方法相比，具有较强的自适应能力和较好的预测效果。     

基于多维时间序列局部支持向量回归的微网光伏发电预测

目前光伏发电预测普遍采用采样间隔较大的单一时间尺度功率序列建模,模型简单但对功率时序特征的模拟精度不高。文中提出了一种基于小采样间隔光伏功率数据的多维时间序列局部预测方法。通过构造不同时间尺度的光伏功率均值序列,形成以小时平均光伏功率序列为主要研究序列的多维时间序列;基于相关性分析、C-C方法和嵌入维最小预测误差法确定多维时间序列相空间重构的时间延迟和嵌入维;采用支持向量回归方法建立提前1h的光伏功率局部预测模型。以国内某微网的光伏功率预测为例进行仿真实验,计算结果表明,多维时间序列局部预测模型优于基于单一时间尺度功率序列的局部预测模型,更具应用价值。     

电力短期负荷的多变量时间序列预测方法研究

在混沌理论中,负荷预测模型的建立通常由一单变量时间序列的相空间重构来实现,然而在实际过程中往往难以确定单变量时间序列是否包含了重构动力系统的全部信息,特别是在有限时间序列存在噪声时。因此,本文将单变量时间序列方法拓展到多变量时间序列中,进行多变量时间序列的相空间重构,计算了各时间序列的延迟时间和嵌入维数,建立了局域线性预测模型。预测结果检验显示,该方法具有较好的预测效果。     

基于混沌特性的风电场风速短期预测方法

为了提高风电场风速短期预测的精确性,提出了基于混沌理论的径向基神经网络预测。通过对风速时间序列关联维数及Lyapunov指数的计算,证实了风速时间序列混沌现象的存在。几种典型的求取延迟时间和嵌入维数算法的预测结果对比表明,基于自相关法-假近邻法的相空间重构RBF神经网络的预测效果比较理想。将基于混沌理论的RBF神经预测方法同传统的Volterra级数预测方法相比较的仿真结果表明,基于混沌理论的RBF神经预测方法具有模型简单、预测精度高的优点。     

基于相空间重构和高斯过程回归的短期负荷预测

基于负荷时间序列的混沌特性,提出了一种结合相空间重构(PSR)和高斯过程回归(GPR)的短期负荷预测方法。首先采用C-C方法确定时间序列的延迟时间和嵌入维度,分别建立单变量和多变量的相空间重构模型。然后,分别运用单一与组合核函数的GP模型对负荷样本进行训练,根据最优超参数对24 h的日负荷进行预测。最后将预测结果与支持向量机模型以及多变量GP模型进行比较。结果显示,多变量组合核函数GP模型取得了更好的预测结果,验证了所提出的基于PSR和GPR的预测方法的可行性。     

基于舒适度的多变量混沌短期负荷预测

针对电力短期负荷预测精度较低的问题,在多变量混沌短期负荷预测基础上,选取负荷时间序列和人体舒适度指数时间序列作为变量,分析人体舒适度指数对负荷的影响,提出一种基于人体舒适度的多变量混沌短期负荷预测方法,采用互信息法求取延迟时间,再由延迟时间求得嵌入维数,最后进行相空间重构,重构好的混沌序列作为径向基神经网络的输入,由此求得预测负荷值,并与基于温度的多变量混沌负荷预测相比较,通过计算实例,验证了基于人体舒适度指数的负荷预测优于基于温度的负荷预测。     

基于相空间重构的神经网络短期风电预测模型

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。通过对风电场发电功率的时间序列进行分析,表明该序列具有混沌属性,并在此基础上,利用相空间重构理论建立了关于风力发电功率的RBF神经网络与BP神经网络预测模型,并进行了实际预测。通过对结果进行对比分析,显示该模型可以得到较高的短期发电功率预测精度,更好地满足实际现场需要。     

组合模型在风电场发电功率短期预测中的应用

随着风力发电的不断发展以及大规模风电场的建设,风电场发电功率的短期预测对于其发展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;结合支持向量机模型,建立了组合预测模型.通过对结果进行对比分析,显示组合模型可以提高短期发电功率预测准确度,更好地满足实际现场需要.     

基于相空间重构和随机配置网络的电力负荷短期预测

针对配电网负荷随时间空间变化的非线性特征导致短期负荷预测精度低和模型训练时间成本高的问题,设计了一种基于相空间重构(phase space reconstruction, PSR)和随机配置网络(stochastic configuration networks, SCN)的电力负荷短期预测模型。首先将配电网数据中与负荷相关的气象数据通过主元分析法(principal component analysis, PCA)进行数据降维,并与负荷序列组合成多变量的时间序列,运用混沌时间序列理论,通过互信息法和虚假近邻法求取参数并重构相空间,最后使用随机配置网络预测电力负荷。采用欧洲电网公开数据集的历史负荷和气象数据验证所提方法,结果表明,与网格搜索法优化的支持向量机(support vector machines, SVM)、反向传播神经网络(back propagation neural networks, BP)、长短期记忆网络(long short-term memory network, LSTM)和整合移动平均自回归(autoregressive integrated moving average, ARIMA)相比,所设计方法具有智能化水平高、运算高效的特点,有一定的实用价值。     

发电机进相能力的RBF神经网络模型

发电机进相运行是调节电网电压、改善电能质量的一种经济性、技术性皆优的先进手段。由于发电机是一个多变量、强耦合的非线性系统,基于传统分析方法难以精确建立其进相能力分析模型,本文提出基于径向基函数(RBF)神经网络的发电机进相能力模型,以发电机有功功率和无功功率为输入,以发电机功角、电网电压为输出,采用江苏电网某600MW发电机进相试验数据训练和测试RBF网络,并探讨了基宽、神经元数的选择对RBF网络收敛精度的影响。研究表明本文所建立的发电机进相RBF模型具有速度快、精度高的优点,具有良好的泛化能力,其性能优于BP神经网络模型。本文提出的方法能有效克服传统进相分析方法的局限性,适用于发电机进相运行实时控制,有推广应用价值。     

基于相空间重构的电磁继电器电性能参数预测研究

提出了基于相空间重构的电磁继电器电性能参数预测的GA神经网络方法。借助相空间重构技术,重构了电性能参数序列的高维空间轨迹;通过采用基于GA算法的神经网络拟合重构轨迹,建立了电性能参数序列预测模型。以电磁继电器接触电阻和燃弧能量性能参数为例,分析了重构参数对重构轨迹、预测结果的影响。该方法能从高维空间揭示电性能参数退化过程,充分利用神经网络泛化性能,因而预测精度高。实验结果表明,所提方法可行、有效。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

基于MA-SVM方法的短期光伏功率预测

光伏发电的功率波动性大,其准确预测对于大规模的光伏发电并网具有重要意义。利用相关性分析法与时间序列方法选取并预测了某电站所在区域的气象数据,得到光伏发电现场更为准确的气象信息预测值。利用主成分分析方法对气象数据降维,得到几种关键影响因子,最终利用改进的支持向量机（SVM）算法对多变量特征序列与光伏功率的关系建模。在验证试验中,使用训练后的支持向量机模型完成预测,并且对预测误差的产生进行了分析。通过与神经网络算法等各种算法的预测效果进行对比,MA SVM方法的误差相对较小,证明了预测的有效性。     

基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型

针对光伏发电系统出力波动问题,提出遗传算法(GA)—模糊径向基(RBF)神经网络的光伏发电功率预测模型,将功率预测值应用于光伏发电的蓄电池储能功率调节系统,以降低对电网的冲击。选择与待预测日天气类型相同、日期相近、温度欧氏距离最小的历史日作为相似日,把与光伏发电功率相关性大的太阳辐射强度和温度作为模型输入变量,提出K均值聚类和遗传算法的参数优化方法,建立基于GA—模糊RBF神经网络的最终预测模型。在光伏功率预测的基础上,提出一种平滑控制策略,对光伏并网功率进行有效调节,从而达到平滑光伏功率波动的目的。实例证明,所述预测模型具有较高精度,并验证了平滑功率波动控制策略的有效性。     

基于相空间重构和长短期记忆算法的电力系统无功负荷预测模型

为了优化无功控制策略,改善电压质量,减小网损,针对无功负荷的随机性与非线性,提出一种基于相空间重构和长短期记忆神经网络的无功负荷预测模型。利用C-C 法确定最优重构维数和延迟时间;通过计算最大Lyapunov指数说明无功负荷的混沌性;利用相空间重构技术将无功序列映射到高维空间,在高维空间利用长短期记忆神经网络进行预测;最后以海南省某地区的有功及无功负荷数据为例,通过Kolmogorov熵证实无功负荷的混沌程度大于有功负荷的混沌程度,算例验证了该方法的可行性,能提高无功负荷预测结果的准确度,有利于对电力系统无功进行更合理的调配和控制。