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.     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种...     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

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。     

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。     

采用时间序列预测风电场出力

基于时间序列的方法,采用自回归滑动平均(ARMA)模型进行短期风速预测;考虑风力发电机组排列布置时尾流效应的影响、风电场址地面粗糙程度、空气密度、风向变化以及不同型号风机功率特性的差异等因素,采用Jasen尾流模型建立了大型风电场的综合模型。结果表明,合理的风电场布置方案有利于减小尾流效应的影响,从而提高风电场出力。     

一种新的风电场风速时间序列建模及 超短期预测方法

提出了一种新的风速时间序列建模方法。首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测。以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度。     

基于气象因子的BP神经网络风电场风速预测

探讨了风电场风速预测对电力系统稳定运行、经济调度、运行效益及电力市场环境下风电场参与市场竞争能力的重要影响和意义,建立了考虑风电场气象因子影响的BP神经网络风速预测的一种新模型,该模型兼顾了相似日特征的作用和影响.运用该模型对新疆某实际风电场进行了日平均风速、最大风速、最大风速方向进行了连续20天的预测,平均相对误差分别为8.07%,10.09%,9.05%.预测结果表明了该方法的有效性、实用性和可靠性.     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于Elman神经网络的风电场噪声预测模型

针对风电场噪声易受风速风向等多因素影响的特点,引入具有动态递归性能的Elman神经网络,综合考虑风速、风向和距离三个主要因素的影响,建立了基于Elman神经网络的风电场噪声预测模型,并以某风电场为例,选取基于无指向性经验拟合预测模型作为对比模型,分别预测风电场噪声,绘制风电场噪声等值线地图。结果表明,基于Elman神经网络的风电场噪声预测模型具有更高的拟合相关性系数,且噪声预测更符合实际情况。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。