LSTM-RF的中长期风电功率组合预测方法

风电功率的准确预测是减少风电并网对电网造成冲击的有效手段之一。利用深度学习算法中的长短期记忆网络(LSTM)对中期风电功率出力进行了预测,综合考虑功率数据、气象数据等多维特征,采用LSTM算法和随机森林(RF)算法搭建预测模型,预测风电场1～7日的风电功率出力。基于某风电场2014年1月到2016年12月的实际发电数据,通过实验对比BP神经网络、支持向量机(SVM)和自回归积分滑动平均模型(ARIMA)等算法可知,提出的预测方法在较为突变的天气状况下仍能保持较高的预测精度,能为风电并网和电网调度提供辅助支撑。     

基于VMD技术与混合储能策略的风电并网控制方法

针对风电功率波动性和随机性给电网稳定运行带来的不利影响,提出一种基于风电功率变分模态分解(variational mode decomposition,VMD)技术和混合储能系统的风电并网控制策略.首先,对典型风电出力场景的原始功率进行变分模态分解,根据风电并网功率波动标准将原始功率分解为并网功率和储能功率,在平抑风电...     

基于VMD的CNN-BiLSTM超短期风电功率多步区间预测

风能是随机波动的不稳定能源,大规模风电并入电网将对电网稳定性造成很大影响,有效预测风电功率区间将极大提高电网经济性与稳定性。针对风电功率数据的非线性,非平稳特性,提出一种基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法。首先对风电功率数据进行小幅上下波动,形成CNN-BiLSTM模型的初始上下限。其次运用变分模态分解(VMD)分别将上下限数据分解为若干个子分量,以降低风电功率时间序列的非平稳特性。然后将子分量输入CNN-BiLSTM模型,得到风电功率预测区间。最后以改进覆盖宽度准则为目标函数优化区间,得到给定置信水平下的风电功率预测区间。使用某风电场实际运行数据,与CNN-GRU、CNN-LSTM、KELM、SVR这4种模型作比,验证结果表明基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法可有效提高风力发电超短期区间预测精度。     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

山西电网风电功率预测及监控系统建设

山西电网风电功率预测及监控系统实现了符合精度要求的风电有功功率的短期和超短期预测,为优化调度系统（OPS）提供决策依据,为风电发电功率计划和控制提供了决策依据和指令下发手段。对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先,对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划,从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次,从发电企业（风电场）的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。     

计及数据降维和数据清洗的超短期风电功率预测

现代通讯和测量技术飞速发展,“风电大数据”时代随之而来。在众多数据维度中提取有效的特征量能提高风电功率预测精度。Shap值可以解释特征变量对预测结果的影响程度,文中应用基于Shap的归因分析模型梳理出对风电功率影响较大的6维特征变量。将其与风电功率数据同时导入基于LOF-ARIMA的异常数据识别模型,从而对风电功率预测过程中所使用的历史数据加以清洗。最终根据VMD-PSO-BiLSTM分解模型完成风电功率超短期预测,实践表明可以显著提高风电功率预测精度。     

探讨基于混沌时间序列和神经网络的风电功率预测

首先综述了我国风电发展概况,分析了目前风电功率预测主要方法,接着研究了混沌时间序列与神经网络组合预测短期风电功率的可能性,最后提出了相空间重构技术和Elman递归神经网络结合应用于风电功率时间序列建模和预测的理论方法。     

基于小波变换和支持向量机的风电功率爬坡事件识别与预测

随着风电场规模的增大,风电功率爬坡事件给电网带来的影响越来越显著,提高爬坡事件识别与预测精度对电网安全经济运行具有重要意义。阐述了爬坡事件的定义,提出了基于小波变换(WT)的风电功率爬坡事件识别方法,建立了风电功率爬坡事件的WT-SVM预测模型。以某风电场的实测风电功率数据为例,进行不同时段的识别与预测。结果表明,基于WT的方法可以快速准确地识别风电功率爬坡事件及其特征值,WT-SVM爬坡事件预测模型可以提高风电功率爬坡事件预测准确度。     

RBF-NN与RBF-SVM组合的风电功率预测研究

针对单一预测模型无法全面利用历史数据对风电场风电功率预测问题,本文提出了基于径向基神经网络(RBF-NN)与径向基-支持向量机(RBF-SVM)组合的风电场风电功率预测模型,通过固定综合权系数将2个模型融合在一起,同时采用最小二乘法来求取各子模型的权系数,实现2个子模型的优势互补,并对实际某风电场的功率数据进行预测仿真和测试。仿真结果表明,2个模型组合后,平均绝对误差为11.63%,分别比子模型降低0.87%和0.76%,证明所提出的组合预测模型能有效提高预测精度。该研究满足实际的调度预测要求。     

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...     

基于级联神经网络的年降雨量预测

降雨量是农业生产的一个重要影响因素,如何准确预测降雨量成为指导农业、水利等一项重要的科技指标。从信息利用角度来看,单一预测模型仅能利用降雨量数据部分有效信息,而组合模型将单一模型的优势互补,可获得更佳的预测效果。基于神经网络理论的快速发展及级联神经网络预测模型被广泛应用于各个方面并取得了很好的结果,针对降雨量曲线的特点,深入分析BP神经网络及RBF神经网络发现,BP神经网络可很好的拟合对降雨量有很大影响的气候信息和其它因素,输出同一类型的降雨量影响信息; RBF 网络的特点就是可很好地提取同一类信息特征,二者的组合可很大程度的提高降雨量预测精度。鉴于此,将BP-RBF级联神经网络引入降雨量预测研究中,实例计算表明,该方法高于单一神经网络预测精度,证明该方法应用于降雨量预测是合理有效的。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于组合损失函数的BP神经网络风力发电短期预测方法

为了改善风电大规模并网带来的电力系统功率平衡问题,提高系统的风电消纳能力,构建了基于组合损失函数的风电功率预测神经网络模型. 为了提高原始数据信息的利用率,在模型中将数据进行分类,提出以最小化组合损失函数为目标的BP神经网络风力发电短期预测模型,由均方差损失函数、交叉熵损失函数和排序损失函数按照不同的权重比构成组合损失函数. 基于实际风场数据,对基于组合损失函数的预测模型效果进行训练和仿真验证,结果表明相较于基于单一的均方差损失函数的预测方法,提出的组合损失函数可有效提高预测精度.     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。     

基于神经滑模控制的风机变桨系统控制研究

以风力发电系统为背景,由于风速波动及风机叶片扫掠面积上风资源的不均匀分布,风机叶片的变桨需要根据自身风况单独控制,即实现独立变桨.提出一种基于RBF(径向基函数)神经网络的滑模控制策略,优化了风机变桨距的控制方法,提高了风力发电系统的稳定性.将算法植入10 kW风机缩比模型实验台,控制伺服变桨电机,实验台模拟运行结果表明,RBF神经网络滑模控制策略能够改善变桨控制的效果,提高系统的鲁棒性.     

用于风电功率预测的RPCL优化神经网络模型

为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法( rival penalized competitive learning,RPCL)优化径向基函数( radial basis function,RBF)神经网络的风电功率预测模型。首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值。仿真结果表明：此优化模型相较于传统RBF网络具有更高的准确性。     

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。     

风电功率概率预测研究综述

从风力发电被人们应用起,风电功率预测一直是研究的热议话题.由于风能自身的波动起伏、随机不定,导致风电功率具有一定的不确定性.目前风电功率大部分研究针对其点预测,但考虑风电功率固有的波动特性,其点预测的预测精度有限.然而准确可靠的风电功率预测对于电力系统运行是必不可少的.鉴于风力发电的不确定性,概率预测提供了一种独特的方案,即:提前估算和量化风电并网对系统运行潜在的影响以及风险.故风电功率概率预测将会成为风电功率预测的热门方向.文中归纳总结了风电功率概率预测已有的研究成果,并对风电功率概率预测未解决问题及将来发展趋势进行展望.     

旋转机械运行状态优化组合模型变权重RBF预测方法

针对现有各种非平稳非线性特征旋转机械运行状态预测方法适用性差、精度不高的难点问题,提出一种旋转机械运行状态优化组合模型变权重RBF预测方法,该方法通过对单一预测模型进行优选,对输入样本进行加权处理,采用径向基神经网络进行变权重组合模型动态建模,从而充分利用了已知的有效信息,强调了新旧信息对设备未来运行状态发展产生的不同影响.经实测数据验证,获得了比单一预测模型及定权重RBF组合预测方法精度更高的预测结果.该方法程序实现简便,预测精度高,对预测问题的适用性广.     

基于RBF神经网络的交通生成预测模型

针对交通生成预测中传统集计预测模型缺少行为基础这一重要数据源,以及普通离散模型建立对数学推导依赖性高和预测中存在多个预测值,导致预测结果精度不理想的问题,建立了基于RBF神经网络的交通生成预测模型,该模型将以行为基础为前提的离散数据作为数据源,模型的建立不需要进行数学推导,利用输入和输出数据自动建立,再结合RBF神经网络收敛速度快和具有唯一最佳逼近点的特点,对交通生成进行预测。通过实例进行仿真和分析,结果表明,该模型最终获得的交通生成预测结果与实际值误差在允许范围内,RBF神经网络交通生成预测效果好,能在实际中应用。