三种方法在风速预测中的应用研究

对持续法、ARIMA和BP网络三种方法在提前1 h风速预测中的应用进行了研究和比较。为消除季节对预测结果的影响,针对一年12个月分别建立预测模型;认为风速具有不平稳性,应该对原始风速序列进行差分处理;通过对样本数据进行相关性分析来确定神经网络的输入神经元个数;结果表明:大多数情况下,ARIMA模型和BP网络模型的预测结果都好于持续法,并且BP一般都好于ARIMA;但也有持续法好于ARIMA和BP网络模型的情况。不能笼统地说某个方法优于另外一个方法,应该根据具体情况进行分析和判断,选择合适的模型种类,以取得最优预测效果。     

基于ARIMA的发电量预测方法

根据 1952—2001 年我国 50 年的发电量数据,利用时间序列的有关理论,经过多次拟合,找出适合我国发电量的单整自回归移动平均模型(ARIMA)。利用 AIC 准则确定模型参数。根据模型对我国未来 5年的发电量进行预测,结果表明预测精度误差小于 3%,该方法可满足实际要求。     

基于ARIMA和SVR的短期电力负荷预测

为提高用电量的预测精确度,将自回归差分移动平均(ARIMA)与支持向量机(SVR)模型相结合来进行预测。以用电数据为研究对象,借助ARIMA模型实现对电力数据的线性趋势预测,通过SVR回归模型对ARIMA模型的预测残差进行数据修正,得到ARIMA＿SVR模型的预测值。实验结果表明,相较于传统ARIMA模型,ARIMA与SVR组合模型的性能和预测精度都得到大幅提升,具有一定的学术价值和应用意义。     

基于时间序列的季节性气温预测研究

气温的变化受风速、湿度、日照时数等因素的影响,可以通过分析这些因素预测气温的变化情况。考虑到气温序列中存在季节特性,采用One-Hot编码方法提取气温序列中的季节性信息,并作为随机森林模型的输入特征,对月平均气温进行拟合与预测。由于模型构建时涉及众多超参数,文中利用随机搜索和网格搜索两种算法优化模型中的超参数。结果表明：考虑季节性的随机森林模型拟合效果优于简单随机森林模型,预测数据变化趋势与实际观测基本一致,拟合精度可以达到96.14%。经两种方法对超参数寻优之后,模型拟合精度可以达到96.45%。     

基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究

在楼宇短期负荷预测中,针对单一预测模型难以充分学习负荷时间序列中的特性问题,提出了一种基于自回归差分移动平均-长短期记忆神经网络(ARIMA-LSTM)组合模型的楼宇负荷预测方法。首先,根据灰色关联度选取相似日时间序列数据为训练样本;然后,利用ARIMA模型预测负荷,并将原始数据和ARIM A预测数据之间的误差视为非线性分量;最后,通过LSTM神经网络对误差序列进行校正,得到楼宇短期负荷的最终预测值。通过对上海市某楼宇的预测效果分析,并将其与ARIMA模型、LSTM模型和ARIMASVM组合模型进行对比,验证了所提方法能够有效控制预测误差,提高楼宇负荷预测精度。     

平均风速对海上风力机塔架动力响应的影响

以海上风力机塔架为研究对象,给出了考虑几何非线性的塔架结构控制方程,采用SolidWorks软件完成了塔架三维建模,基于ANSYS软件进行了有限元网格的无关性验证。计算并分析了不同平均风速下塔架的位移和Mises应力响应,揭示了塔架最大位移和最大Mises应力随平均风速变化的规律。这可为风机塔架的运行安全和可靠性设计提供指导。     

风电场风速预测的研究方法

介绍了国内外风速预测的主要方法及其基本原理,并分析了各自特点,通过比较各算例的精度,找出了影响预测结果的因素,并指出了改进预测方法的发展方向.     

基于改进ARMA的电厂风机状态预测

随着1 000 MW超超临界燃煤发电机组的扩建应用,对锅炉的风烟系统提出了更高的要求。以某电厂的HU27046-221型引风机为例进行分析研究,提出了一种基于改进自回归滑动平均（ARMA）预测模型的电厂风机状态预测方法。首先,采用数据挖掘理论对引风机原始数据进行相关性分析;其次,采用改进ARMA方法对引风机相关状态参数进行预测;最后,与传统的ARMA预测方法进行对比分析,结果表明所提出的方法预测精度较高。     

基于ARIMA的磨削颤振预测方法

磨削颤振会加剧砂轮的磨损并对磨削加工质量造成严重影响,甚至会对磨床本身造成破坏.为了避免磨削颤振的发生,提高磨削加工效率,通过对磨削过程振动信号进行分析,提取固有频率频带能量百分比R作为磨削颤振的特征量,提出一种基于自回归积分移动平均(autoregression integrated moving average,ARIMA)模型的磨削颤振预测方法.试验结果表明:在磨削过程中,固有频率频带能量会随着磨削状态的变化而变化,利用稳定磨削状态下的固有频率频带能量百分比建立ARIMA预测模型,预测结果与真实值十分接近,能够准确预测磨削颤振的发生.     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

新型支持向量机在风速预测模型中的应用研究

在短期风速预测方面支持向量机已被广泛应用并取得较好的效果. 然而, 随着应用的深入, 其逐渐暴露出两大问题: 一, 对噪声较为敏感; 二, 未能充分利用样本已有信息. 为进一步提高支持向量机的泛化能力, 该文提出模糊流形支持向量机FMSVM. 该方法引入模糊技术, 保证不同样本区别对待, 减少或消除噪声的影响; 充分利用流形判别分析的性质, 进一步改进支持向量机, 在分类决策时同时考虑样本的边界信息、分布特征以及局部流形结构. 通过某风场风速数据集上的比较实验验证该方法的有效性.     

基于DTCWT与LSSVM的风电场短期风速预测

由于风速具有很强的非线性特性,传统的预测方法难以对其准确预测。为提高预测精度,提出了将双树复小波与最小二乘支持向量机相结合的风速时间序列预测建模方法。首先,利用双树复小波对风速时间序列进行多尺度分解,将其分解为高频子带和低频子带;其次,利用最小二乘支持向量机对不同频率的子带建立相应的预测模型;最后,将各子带预测值进行等权求和得到预测结果。实验表明,基于双树复小波与最小二乘支持向量机的混合预测模型具有较高的预测精度,其平均绝对误差为3. 79%。     

基于二次分解的改进时间序列超短期风速预测研究

提出了一种基于CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD (variational mode decomposition,VMD)二次分解的ARIMA (autoregressive integrated moving average model,ARIMA)-GARCH (generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA (autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7. 1%。     

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和改进ARIMA模型的超短期风速预测

针对风速序列非线性、波动性的问题,提出了一种基于变分模态分解和改进差分自回归滑动平均模型的风速预测模型。首先利用变分模态分解(Variational Mode Decomposition,VMD)将信号从低频到高频逐次分解,使每个分量具有不同中心频率的有限带宽;然后对各分量分别建立ARIMA模型,由于各分量的残差序列可能存在异方差性,因此引入GARCH模型消除异方差特性,建立ARIMA-GARCH模型;最后各分量预测结果叠加得到最终的预测值。实验结果表明,所提出的预测模型在超短期风速预测上具有较高的预测精度。     

基于负荷混沌特性的改进Lyapunov指数预测法

针对目前常用负荷预测方法多依赖主观经验,为了提高预测精度,从相空间重构理论出发。结合负荷序列的混沌特性,提出了一种计算最大Lyapunov指数的改进算法。改进算法中引入一种取舍规则,提高了最大Lyapunov指数提取精度。利用改进算法建立实际电力月负荷预测模型,实际应用结果表明该模型具有一定实用价值。     

基于局域一阶加权法的风电功率超短期预测研究

准确的风电功率实时预测,对电力系统安全、经济高效运行有着重要作用。基于相空间重构理论,提出了一种局域一阶加权法,以马式距离作为邻近相点的判据,权值的选择以邻近相点和参考相点的距离为依据,构建预测模型。以东北某风电场的实测风电功率时间序列为例,进行仿真分析,结果表明模型可有效地提高预测精度。     

dbN小波变换在超短期风功率预测中的应用研究

为了降低风速序列的非平稳性,研究了基于db N小波变换及单位置NWP的超短期风功率预测模型。采用小波多分辨率分析法对原始风速时间序列进行分解,滤除高频分量,滤出低频分量,低频分量能够对风功率预测起到决定作用。然后,利用线性校正数学模型对超短期风速时间序列进行预测,并采用巴特沃兹低通滤波器对校正后的风速进行滤波。实验结果证明,该方法可有效地提高超短期风功率的预测精度。     

基于改进BP神经网络法电力负荷短期预测

电力网络结构日益庞大,电力安全可靠运行难度不断增大,须提高电力负荷预测精度,以保证电力设备正常稳定运行。电力负荷变化具有非线性的特点,通过传统建立的模型难以精确预测电力负荷的变化,针对此难点,文中采用具有非线性特征的改进BP神经网络法进行短期负荷预测,在进行负荷预测算法时,为消除训练样本顺序的影响,将整个样本集替代单系列样本进行学习。选取某县城电力负荷历史数据作为样本,Matlab编程仿真,得出预测与期望结果比较接近,部分数据较精确,说明该算法具有一定的参考意义。     

基于SVM模型的风电功率预测

为解决因风电机组功率波动产生的调度问题,运用支持向量机法对风电机组功率的输出进行实时预测,结果表明单台机组预测的均方根误差为2.16%,相关系数为77.605 4%,58台机组预测的均方误差为0.7%,相关系数为90.321 4%。说明了风机机组汇聚得越多,机组系统越稳定。最后还探索了进一步提高SVM预测精度的方法。