共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
为了提高风电功率预测的准确性,基于信号分解、优化算法和误差修正,提出一种ICEEMDAN-ICSSA-CKELMTCCA的风电功率预测组合模型。首先采用改进的带自适应噪声的完全集成经验模式分解(ICEEMDAN)和样本熵原理,对原始功率序列进行分解和重构,得到更适合提取特征的新序列。然后,建立包含Poly核函数、RBF核函数的组合核极限学习机(CKELM)对新的序列进行初步预测,并利用融合了Tent混沌映射、动态惯性权重和自适应t变异策略的改进混沌麻雀搜索算法(ICSSA)对其参数进行优化,提升CKELM预测性能。最后将时间卷积网络(TCN)与高效通道注意力机制(ECA)组合搭建为TCCA模型,对初步预测结果进行修正。以中国云南省某风电场的数据为例进行多组实验,结果表明该模型针对风电功率具有较高的预测精度。 相似文献
4.
为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性. 相似文献
5.
6.
随着我国风电产业的高速发展,风电功率预测的作用也愈显突出。提高风电功率超短期预测的稳定度、速度和精度,是更加合理地利用风电的关键技术之一。在深入分析影响风机出力主要环境因素的基础上,对真实风电场的环境监测历史数据进行了降维处理,以风速、风向、温度及湿度四个主环境因素作为GWO-SVR预测模型的训练和测试集,进行预测分析。不同预测模型的对比表明,降维处理可有效降低模型的复杂程度,降低无用数据对预测结果的影响,预测结果的稳定性、速度及精度均有提高。 相似文献
7.
风力发电的随机性和波动性是制约风电并网的根本原因,准确的短期风电功率预测可以协助电网协调部门实时调整合理准确的调度计划、配置备用电量,这样,电网公司就可以最大限度地节约运行的成本.其中,最为重要的就是如何提高风电功率预测的精度,为此,该文提出一种基于GA_Elman的风电功率短期预测方法.该方法就是利用了GA算法对El... 相似文献
8.
9.
11.
为了降低电网调度的操作复杂性,同时提升风电功率的预测精度,本文主要分析影响风电功率预测方法的因素,包括风向、风速以及环境温度等方面,同时经过对比研究,小波变换和神经网络的短期风电功率预测方法能够提升预测精度. 相似文献
12.
13.
高精度的短期风电功率预测是保证电网日常调度及运行安全的关键因素。目前,国内短期风电功率预测精度普遍低于国外水平。为了提高风机短期功率预测精度,提出一种基于风速融合和NARX神经网络的预测模型。该方法对同一地点不同数据源提供的预报风速进行融合,采用NARX神经网络进行短期风电功率预测。仿真实验结果表明,所提出的短期风电功率预测方法是可行的,预测精度可提高至87.8%,与其他风电功率预测模型相比,具有更高的预测精度和更好的适应性。 相似文献
14.
15.
风力发电功率预测对于风能并网具有重要意义.采用一种可用于复杂系统和模式建模的新型神经网络——情感神经网络,对风力发电功率进行预测.为防止ENN在训练时陷入局部最优解,提出采用遗传算法对其进行训练.采用预测误差的均方根和标准差衡量预测准确性、稳定性,对ENN性能进行了检验.结果表明,相比于人工神经网络、支持向量机和自滑动回归模型,ENN能够获得更高的预测准确率和预测可靠性. 相似文献
16.
采用小波变换和神经网络相结合的方法对风电功率进行短期预测。利用小波变换将信号分解成不同频段的子序列,各子序列单支重构后,利用神经网络分别建模预测,最后将各子序列的预测结果叠加得到最终的功率预测值。在神经网络学习过程中采用LM算法,有效提高了收敛速度,降低了陷入局部极小值的可能。通过实例分析,验证了该方法可以较为准确地预测风电功率。 相似文献
17.
在双碳目标提出后,风电、太阳能等清洁能源的部署得到迅速响应。风电是一种随机性较高、不确定性较大的能源。大量风电接入电网会对电网的安全运行造成很大影响。文章通过对风电的原始值进行预处理,再由改进的前馈神经网络—BP神经网络对风电功率进行预测,改善风电对电网造成的影响。研究表明,风功率预测技术能够为电网增加收益,同时,改进的BP神经网络的预测准确度更高,具有一定的实际应用性。 相似文献
18.
股票价格的趋势预测一直是金融领域的重要问题,也是一个难题。但即使是对预测性能的微小改进,也可以为金融工程的技术手段带来非常可观的收益。现有研究大多为单一预测算法,旨在通过对比寻求预测效果更优的算法。文中结合指数移动平均值、相对强弱指数等10个有效技术指标,构建基于Stacking集成学习的股票趋势涨跌预测方法,以预测性能较好且存在差异的异质机器学习算法作为Stacking集成的初级学习器,以逻辑回归方法作为元学习器,进行集成预测。选取上证指数和深圳成指作为研究对象,以ROC曲线下方面积AUC值作为性能评估指标。研究结果表明,Stacking集成学习方法的预测性能优于单一预测模型,并通过Friedman检验证明,Stacking集成算法和单一算法之间存在显著差别。 相似文献
19.
20.
基于遗传算法优化BP神经网络的风电功率预测 总被引:1,自引:0,他引:1
随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义。针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题,提出利用遗传算法对神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测,研究表明预测精度有一定程度的提高。 相似文献