基于IAFSA-BPNN的短期风电功率预测

为提高短期风电功率预测精度,提出一种基于IAFSA-BPNN的短期风电功率预测方法。该方法通过改进的人工鱼群算法来优化BP神经网络的权值和阈值,从而提高BP神经网络的收敛速度和泛化能力。利用2014年上海某风场实测数据对新算法进行检验。试验结果表明,改进的人工鱼群算法一定程度上克服了原算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。IAFSA-BPNN混合算法在预测的稳定性和精度、收敛速度等方面优于BPNN、AFSA-BPNN算法。IAFSA-BPNN算法不仅能提高短期风电功率预测的精度,而且改善了预测结果稳定性。     

基于改进乌鸦算法和ESN神经网络的短期风电功率预测

精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。为了克服传统的神经网络在参数选取中容易受主观因素影响和陷入局部最优的不足,提出一种基于改进乌鸦算法(ICSA)优化回声状态神经网络(ESN)参数的短期风电功率组合预测方法。在算法寻优初期引入Lévy飞行机制增强搜索效率,而在迭代后期加入高斯函数,对进化后的全部轨迹进行相应的调整,保证算法的全局寻优和逐次逼近能力;通过改进的CSA算法对ESN神经网络输出层连接权值矩阵进行优化以提高网络的训练效率。最后利用两组实验数据对预测模型进行了有效性验证,结果表明,所提算法能有效应对风电功率时序的随机性和不确定性特征,具有更高的建模精度和更快的收敛速度。     

基于Spark大数据平台的风功率预测模型研究

引入Spark云计算技术进行并行化计算,提高处理大规模数据的能力。改进传统BP神经网络算法,将菌群优化算法与神经网络算法结合提高风电功率预测的能力。     

基于传递函数自我优化的BP网络算法改进

目前使用比较普遍的优化方法对BP算法改进之后,改进的BP神经网络预测过程都存在复杂程度变大、更加消耗人力资源等缺陷。针对这些缺陷,本文提出一种传递函数自我优化算法来改进神经网络。然后将改进的网络应用到风电功率预测中,以东北某风电场一段时间的风电运行数据作为实验样本,分别采用传统BP神经网络和改进的BP神经网络进行预测分析。仿真结果证明,改进之后的BP神经网络不仅有更快的收敛速度,还有更加精确的预测结果,并且不需要认为干预整个预测过程。极大提高了网络的预测能力和效率。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于聚类分析和混合自适应进化算法的短期风电功率预测

针对传统风电功率预测方法难以满足精细化、动态化建模要求,存在易陷入局部最优等问题,提出了基于聚类分析和混合自适应进化算法(KHEA)的风电功率智能预测方法。首先,采用K均值聚类算法对全年风速和功率数据进行聚类,剔除不合理的数据。然后,采用小波变换(WT)识别功率数据的行为特征,获得解构序列集,进而建立BP神经网络模型对未来时间段的功率解构序列进行预测。为减少预测误差,采用进化粒子群算法(EPSO)对模型的权值和阈值进行调整和优化,实现EPSO进化特性与神经网络自学习能力的功能互补。最后,运用逆小波变换对预测序列进行重构,获得最终的功率预测值。运用中国南方某风电场数据开展仿真实验,并与其他模型进行对比,表明KHEA具有更高的风电功率短期预测精度和可靠性,为提高风电功率预测精度和优化调度管理提供了新的技术方案。     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

基于主成分—遗传神经网络的短期风电功率预测

短期风电功率预测对接入大量风电的电力系统运行具有重要的意义,建立了基于主成分分析与遗传神经网络相结合的短期风电功率预测模型。该模型先对原始输入数据进行主成分分析,分析结果作为神经网络预测模型的输入;为克服BP神经网络训练时间长、易陷入局部极小值的的缺陷,采用遗传算法优化神经网络的初始权值和阈值,并使用Levenberg-Marquardt算法对网络权值和阈值进行细化训练。经某风电场实际数据验证,与GA神经网络模型、PCA-LM神经网络模型相比,预测精度明显提高,为短期风电功率预测提供了一种有效的方法。     

基于遗传算法改进BP神经网络的风电功率预测研究

风电功率预测对于风电场和电网的安全可靠运行具有重要意义。以某风力发电机为研究对象,根据该风机历史天气信息和风电功率数据,使用遗传算法改进BP神经网络,构建复合型神经网络的风电功率预测系统。运用MATLAB软件对算法进行编程与仿真,仿真结果表明,单一的BP神经网络预测系统波动性较高,精度不足,而复合型的神经网络算法有效地解决了这一问题,改进后的预测系统精度较高、稳定性较强,满足工业生产需求。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。