基于VMD-CNN-LSTM模型的短期风电功率预测

风电功率的精准预测是提高风电并网稳定性的重要手段之一。针对气象特征复杂性与随机性引起风电功率难以精准预测的问题,提出了一种基于VMD-CNN-LSTM的短期风电功率预测模型。该模型总体结构包括多气象特征序列变分模态分解（VMD）与重构、卷积神经网络（CNN）挖掘多气象特征信息、长短期记忆网络（LSTM）预测结果输出、泛化能力分析。与目前仅考虑分解历史风电功率序列分别建立预测模型方法相比,本文所提出的VMD方法物理意义明确,能够跟踪气象特征预测未来风电功率趋势。在某风电场的实际数据上进行验证,算例结果表明：该模型预测结果精度较高,降低了多气象特征因素对预测结果的影响,具有一定的实用性。     

考虑风速波动特性的VMD-GRU短期风电功率预测

提高风电功率预测的精准度能为大规模风电并网提供安全保障,为此提出一种考虑风速波动特性的短期风电功率组合预测方法.首先,定义5种风速波动类型,对数值天气预报中的历史风速序列进行波动类型划分,得到不同风速波动类型的天气时段;其次,将这些天气时段对应的历史风电功率序列进行分类,采用变分模态分解算法对各类风电功率序列进行分频计算,得到特征、频段互异的多个子模态;然后,利用门控循环单元神经网络建立每个子模态预测模型,将各个子模态预测结果进行叠加,得到风电功率预测值;最后,对待测时段的风速序列进行波动类型划分和识别,选取相匹配的功率预测模型计算出最终预测值.利用某实际风电场的数值天气预报风速数据和功率数据进行仿真分析,验证所提组合预测方法的有效性.     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

基于ikPCA-FABAS-KELM的短期风电功率预测

为了增强在短期风电功率预测领域中传统数据驱动机器学习模型的精度,提出基于ikPCA-FABAS-KELM的短期风电功率预测模型.首先,对主成分分析进行改进,提出可逆核主成分分析(ikPCA),在保证数据特征的同时,降低输入数据的复杂度,以提升模型运行速度;其次,引入萤火虫个体吸引策略对天牛须算法(BAS)进行改进,提出FABAS算法;最后,利用FABAS算法对核极限学习机(KELM)的正则化参数C和核参数γ进行寻优,降低人为因素对模型盲目训练的影响,提高模型预测精度.仿真结果显示,提出的预测模型有效提高了传统模型的预测精度.     

基于VMD-LILGWO-LSSVM短期风电功率预测

目的 为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法提出一种结合变分模态分解（VMD）、改进灰狼算法（LILGWO）和最小二乘支持向量机（LSSVM）的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差（mean absolute error,MAE）为2.706 8 kW,均方根误差（root mean square error,RMSE）为2.021 1,拟合程度决定系数（R-Square,R2）为0.976 9,与对比方法3～6相比,RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R2分别提升了4...     

基于DBN-Kalman-EC算法的 短期风电功率组合预测

提出一种基于深度置信网络(DBN)和卡尔曼算法(Kalman),结合误差修正算法(EC)的短期风电功率组合预测模型。运用经验模态算法(EMD)将原始风速序列分解,提取其主要特征,降低风速序列突变性;然后利用DBN法,通过构造两种不同的输入输出矩阵,得到pro_1和pro_2两种预测功率、bias_1和bias_2两种预测误差;接着将pro_1作为测量值、bias_1作为测量误差,将pro_2作为观测值、bias_2作为过程误差引入Kalman模型,得到预测结果 pro和预测误差bias;最后利用EC算法对pro和bias进行修正。仿真结果表明,DBN-Kalman-EC模型能有效中和bias_1和bias_2两种误差,降低了预测误差,修正预测值,有效地提高了短期风电功率预测的精度。     

基于分布估计算法的对角递归神经网络短期负荷预测模型研究

针对传统的BP算法易陷入局部极小点,收敛速度慢,编程复杂等缺点,本文提出基于分布估计算法的对角递归神经网络的短期负荷预测模型。该模型采用分布估计算法对对角递归神经网络进行优化,仿真结果表明,该预测模型平均绝对误差降低1.097%,最大相对误差降低2.55%,该模型获得较满意的预测精度,具有较高的预测稳定性和较好的适应能力。     

基于ARMA-BP神经网络模型的风电功率预测研究

结合ARMA时间序列预测模型和BP神经网络预测模型的优点,构建ARMA-BP神经网络混合模型,对风电功率预测问题进行研究。采用构造性神经网络模型得出的类别值对统计时间序列模型的预测值进行修正,提高了风电预测的精度和效率。     

用于风电功率预测的RPCL优化神经网络模型

为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法( rival penalized competitive learning,RPCL)优化径向基函数( radial basis function,RBF)神经网络的风电功率预测模型。首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值。仿真结果表明：此优化模型相较于传统RBF网络具有更高的准确性。     

风电功率超短期多步预测误差评估及分析

超短期风电功率预测误差分析有助于改进预测精度,进而降低风电不确定性对电力系统带来的不利影响.以LSTM模型为例,对超短期多步预测的误差特性进行分析.首先,对超短期风电功率预测误差进行静态特性分析,研究了预测误差随预测步长的动态变化特性;然后,提出了数值天气预报在超短期风电功率预测中的误差占比定量评估模型;最后,提出了一种综合考虑形状和时间损失的神经网络损失函数,降低由于输入信息不足引起的时滞和幅值误差.结合吉林省20个风电场的实测数据,对风电功率多步预测误差特性进行全面分析,为风电功率多步预测模型的评估、修正提供了参考.     

基于门控循环单元与误差修正的短期负荷预测

针对负荷预测模型迭代训练过程中存在误差积累的问题,提出结合叠式双向门控循环单元（SBiGRU）、完整自适应噪声集成经验模态分解（CEEMDAN）和误差修正的组合预测模型. 建立SBiGRU模型学习在气温、日期类型影响下负荷序列的时序特征,误差特征体现在SBiGRU模型预测产生的误差序列中;使用CEEMDAN算法将误差序列分解为数个本征模态函数（IMF）分量与趋势分量,对每项分量再次建立SBiGRU模型进行学习与预测,并对各分量的预测值进行序列重构,得到误差的预测结果;对预测结果进行求和以修正误差. 模型评估结果表明,组合模型的预测准确精度为98.86%,与SBiGRU、BiRNN、支持向量回归等方法相比,该模型具有更好的精度.     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于动态熵权的短期风速组合预测

为了提高风电场风速预测的准确性,将不同预测方法的权重推广到权重序列,生成权重矩阵,同时采用新的预测误差更新权重矩阵,获得所需模型.建立三种单一预测模型,统计它们十天的预测误差,获得误差序列,在此基础上,提出动态熵权法.采用熵权法确定各单一预测模型在96个预测时刻的权值,并根据新的24小时预测误差更新误差序列和权重矩阵,从而获得动态组合预测模型.结果表明,动态组合预测模型的整体误差指标比单一预测模型较小,预测精度显然增高,证明了所建模型有效且实用.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于PCC-GRU-Attention组合风电功率超短期预测

由于风电出力具有随机性、波动性的特点,风电功率预测技术的研究对电力系统的安全稳定运行具有重要意义。提出一种基于PCC-GRU-Attention组合风电功率超短期预测方法,首先使用皮尔逊相关系数(pearson correlation coefficient, PCC)对数据预处理,选出高度相关性的特征作为输入,针对长短期记忆(long short term memory, LSTM)网络与门控循环单元(gated recurrent unite, GRU)网络处理长时序列易丢失序列信息的问题,通过GRU网络处理时间序列信息以及注意力(Attention)机制优化输出权重,与单一LSTM网络和GRU网络以及其它组合模型相比,有效提高了预测精度。     

基于经验模态分解的风电功率短期预测方法

采用经验模态分解和滚动神经网络相结合的方法对风电功率时间序列进行短期预测。通过经验模态分解将信号分解成有限个固有模态函数(IMF)之和,利用多个神经网络对各IMF进行预测,同时采用滚动学习的方法修改权值和阈值,最后重构得到完整的预测结果。通过对内蒙古赛罕坝风电场的发电功率进行仿真预测,证实了该模型的有效性,与persistence模型相比较,平均绝对误差从12.55%降低到10.20%。     

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。