基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要.针对极限学习机(ELM)随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法(SSA)优化极限学习机的组合预测模型(SSA-ELM).利用收敛速度快、...     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。     

基于加权正则极限学习机的短期风速预测

精确的风速预测是风电功率预测的基础,对保障风电场并网运行和维护电力系统的安全、稳定具有重要意义。针对风速时间序列强烈的波动性、随机性,难以预测的特点,建立了一种基于加权正则极限学习机(WRELM)的短期风速预测新方法。首先,采用与风速相关性大的历史风速、风向以及温度、气压、湿度等气象因素构成候选特征集;采用最大相关最小冗余(mRMR)准则选取与风速序列相关性最大的特征集作为预测输入,由此确定预测网络的训练集和测试集,建立WRELM;采用训练集数据训练网络参数,构建WRELM预测模型;最后,采用WRELM网络预测短期风速。通过风电场实测风速数据试验,验证了该方法的有效性,可用于短期风速预测实践。     

基于tGSSA-DELM的短期光伏发电功率预测

针对目前光伏发电预测的预测耗时和预测精度不足等问题,提出了一种基于皮尔逊相关性分析、改进的麻雀算法（tGSSA）和深度极限学习机（DELM）的组合预测方法。该方法首先通过皮尔逊相关性分析方法对影响光伏出力的主要因素进行筛选,然后采用黄金正弦搜索策略、自适应t分布和动态选择策略来增强麻雀算法的全局搜索能力和局部寻优能力,最后利用tGSSA群智能优化算法对DELM中的输入权重和偏置进行寻优,在得到最优输入权重和偏置的情况下对光伏发电功率进行预测。以澳大利亚某光伏站一年数据按季节划分后进行预测研究,将本文模型与DELM,SSA-DELM,GA-DELM,ABC-DELM,WOA-DELM进行预测对比,结果表明,相比于其他算法改进模型和传统模型,tGSSA-DELM在预测精度、预测稳定性和工作效率中具有较大优势,具有更强的适用性。     

基于特征选择的RELM风速短期预测

准确的风速预测是风电场功率预测的基础,对大规模风电并网具有重要的价值。文章提出一种基于信息增益(IG)的正则化极限学习机(RELM)短期风速预测方法。首先采用信息增益对32维风速属性序列进行特征选择,并对其进行加权;然后将正则化系数引入极限学习机(ELM)网络,构建RELM风速预测模型;最后结合美国风能技术中心的实测数据进行仿真,与传统ELM网络、BP神经网络相比,该方法具有较高的准确性和预测精度。     

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测

由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数（PCC）、K-均值算法（K-means）、变分模态分解（VMD）、麻雀搜索算法（SSA）、核函数极限学习机（KELM）的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

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。     

基于小波分解和极限学习机的短期风速组合预测研究

提出一种基于小波分解(Wavelet Decomposition,WD)和极限学习机(Extreme Learning Machine,ELM)的新型短期风速组合预测模型。首先,采用小波分解将风速序列分解成不同频段的分量,以降低序列的非平稳性;其次,为避免极限学习机输入维数选取的随意性等问题,先对各分量进行重构相空间,再使用改进的极限学习机对各分量分别建模预测;最后,将各分量预测结果叠加得到最终预测结果。实验结果表明,文章所提的组合预测模型具有较高的预测精度。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

基于相似性样本的LSSVM短期风速和风功率预测研究

风速具有较大的随机波动性,影响电网的稳定性,良好的风速预测是解决风电并网问题的关键。为了提高风速预测的精确性,首先对风速数据进行相似性样本的提取,采用分段线性化的搜索方法,求出各小段风速的斜率与长度所占的比重,继而找出相似性距离最小的曲线簇。并以此作为训练样本,采用最小二乘支持向量机（LSSVM）模型对风速进行预测。预测结果表明,采用风速的相似曲线簇进行LSSVM模型训练所得的风速和风电功率预测结果更优。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差（MV）法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明：组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

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。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于小波变换的改进混合蛙跳-差分进化-神经网络预测模型的短期风速预测

针对目前对风速序列短期预测中不同组合算法预测精度较差、适应性不强等问题,提出一种基于小波变换的组合预测模型算法,将风速序列经小波变换降低波动性与无序性,利用混合蛙跳算法(shuffled frog leaping algorithm,SFLA)优化逆向传播(back propagation,BP)神经网络的初始权值与阈...     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。