考虑风速属性约简聚类的组合预测模型

精确的风速预测对于规模化风电并网及系统运行具有重大意义。提出了一种基于快速相关性约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。首先,计算各风速序列及其属性序约简优化K-mediods聚类的双层长短时记忆网络短期风速预测模型。即计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性。然后,采用改进K-mediods对约简后的风速数据进行聚类,得到风速关联属性优化序列,保证类内信息准确全面,并利用双层长短时记忆网络挖掘深层特征及短期预测。最后,通过对实际风场风速进行预测,并与实测数据对比,验证了预测模型的准确性及有效性。结果表明,所提方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息提高了预测的精度。     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测

为了应对分布式光伏渗透率不断提高带给电网运行的挑战,提出了一种基于近邻传播聚类与长短期时间序列网络(LSTNet)的区域分布式光伏电站群短期功率预测模型。首先,利用近邻传播算法划分区域内不同季节的分布式光伏电站群,并通过皮尔逊相关系数确定光伏出力的强相关气象因子,结合双线性插值法加密对应光伏电站群的气象数据。然后,通过LSTNet挖掘光伏功率和气象因子序列的长期和短期时空依赖,并叠加自回归的线性分量,实现了群内多个光伏电站的同时预测。最后,利用美国国家能源部可再生能源实验室的实测数据集验证了所提方法的有效性。实验比较表明,所提预测模型具有较高的预测精度和鲁棒性。     

采用k近邻进行空间相关性超短期风速预测

提高超短期风速预测准确率和可靠性的途径之一,是从历史观测值中充分挖掘风速相关性的特征和规律。将本地最新的风速历史观测值结合按照最优延迟时间提前的上游风速观测值,形成空间相关性k近邻预测的参考矢量;以相关系数作为相关性的具体评价指标,从风速历史观测值中优选出该参考矢量的k个最相似的近邻;采用7种回归模型进行本地的未来风速预测。荷兰Huibertgat地区冬季风速预测的仿真结果表明:使用线性回归、偏最小二乘回归、最小二乘支持向量回归3个优化模型预测,优化的k近邻数量为100左右,优化的历史数据年数为10 a;空间相关性k近邻风速预测能够有效使用历史数据的相似性进行可靠的超短期风速预测。     

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。     

基于近邻传播聚类权重的黑启动方案评估方法

黑启动方案的优选和评估对电力系统在大面积停电后的快速恢复具有重要的意义。熵权法是黑启动方案评估中常用的权重确定方法,但却存在指标权重分配差别过大,无法体现决策矩阵微小变化等缺点。基于此,文中提出了一种新的权重方法——基于近邻传播聚类的权重确定方法,并将其用于黑启动方案评估。首先,利用近邻传播聚类算法对指标完全情况下的黑启动方案进行聚类,得到全指标黑启动方案聚类结果。其次,依次隐藏每个指标,再采用近邻传播聚类算法对黑启动方案进行聚类,得到缺失指标情况下的黑启动方案聚类结果。再次,根据结构相似性思想,对全指标黑启动方案聚类结果和缺失指标黑启动方案聚类结果进行相似性计算,得到指标权重,并采用线性加权法完成对所有黑启动方案的完全排序。最后,在中国广东电网黑启动数据集上对文中所提方法进行验证,实验结果表明所提方法具有较高的准确性。     

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索（bald eagle search,BES）算法对长短时记忆神经网络（long short term memory,LSTM）的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。     

基于卷积循环神经网络的风电场内多点位风速预测方法

传统的超短期风速预测方法往往采用风电场内单一位置处风速信号进行预测,忽略了风电机组间的风速相关性,导致预测模型难以考虑地形和尾流影响下的风速空间分布特征,限制了超短期风速预测精度的提高.因此,提出了一种基于深度卷积循环神经网络的风电场多点位风速超短期预测方法,考虑风速时空相关性进行风速空间分布的超短期预测.提出的方法结...     

基于网格聚类的峡谷风电短期功率预测方法

为解决峡谷风电受峡谷尾流影响而造成的风电短期功率预测准确率低的问题,提出了一种基于网格聚类的峡谷风电短期功率预测方法。对峡谷风电站的历史气象、预测功率、实际功率数据进行预处理,以提升预测模型的训练效果。按照经纬度进行峡谷风电站地域网格聚类,获得峡谷风电网格特征。在此基础上,采用长短期记忆网络对每个网格进行功率预测,并进行网格功率叠加与误差修正,峡谷风电站短期功率预测实际准确率达到88.35%,其运行效果表明:所提出的预测方法能够有效地提高峡谷风电短期功率的预测精度。     

风电接入下基于AP聚类的无功功率—电压控制分区方法

电网无功功率—电压控制分区是分级电压控制的基础。风电接入造成电网运行状态具有随机波动性,为获得能适应各种风电出力稳定的全网分区,考虑以节点间电气距离期望矩阵作为分区依据,采用先进的仿射传播(AP)聚类进行电网节点分区。由于PQ节点与PV节点响应过程不同,首先基于AP聚类对PQ节点进行分区;然后以PV节点为论域,在保证区域连通性和可控性的前提下实现PV节点归类至合适的PQ分区,最终完成全网分区。最后从聚类区内耦合性、区间解耦性以及分区电压控制灵敏度出发,定义分区质量评估指标,客观评价分区质量。仿真结果表明了所提方法的可行性和有效性。     

基于特征选择谱聚类和优化支持向量机的短期风速预测

提出一种基于随机森林算法、谱聚类算法和支持向量机的短期风速预测方法。首先,利用小波变换对原始风速进行去噪,剔除原始风速中不规则波动信息。然后利用随机森林算法进行特征选择,选择出最优的特征输入。再利用谱聚类算法对特征输入进行聚类分析,得出各个训练样本的聚类标签,提高模型训练样本的有效性;利用支持向量机对各个聚类标签分别进行建模,并使用遗传算法优化支持向量机的参数,提高模型的泛化能力。最后确定预测点的聚类标签,并使用相应标签的预测模型得到最终的预测结果。以某风电场的实际数据研究表明,所提出模型在短期风速预测中具有较高的精度。     

Wind Speed Forecasting Based on ARMA-ARCH Model in Wind Farms

Wind speed forecasting is signif icant for wind farm planning and power grid operation. The research in this paper uses Eviews software to build the ARMA (autoregressive moving average) model of wind speed time series, and employs Lagrange multipliers to test the ARCH (autoregressive conditional heteroscedasticity) effects of the residuals of the ARMA model. Also, the corresponding ARMA-ARCH models are established, and the wind speed series are forecasted by using the ARMA model and ARMA-ARCH model respectively. The comparison of the forecasting accuracy of the above two models shows that the ARMA-ARCH model possesses higher forecasting accuracy than the ARMA model and has certain practical value.     

基于KMO-Bartlett典型风速选取的PCA-WNN短期风速预测

针对风电功率预测时风速信息冗余,导致神经网络难以把握内在规律而影响训练效率的问题,选取最佳风速数据进行主成分分析,采用改进小波BP神经网络对风速进行预测。通过KMO和Bartlett球度双检验选取最佳风速数据,从而充分利用主成分分析法对风速数据进行提取以优化神经网络的输入,提高网络收敛速度和预测精度。通过某风电场风速数据仿真分析,与其他预测方法进行对比,结果表明该模型预测精度高、泛化性能好,验证了该预测方法的正确性和有效性。     

基于混沌—LSSVM神经网络风电场风速短期预测

风电出力是电力系统运行与规划的依据,准确的风速预测有利于提高电力系统运行的经济性和可靠性。基于风速时间序列具有混沌特性的前提下,结合混沌时间序列的相空间重构和支持向量机回归理论,建立了一种基于风速混沌特性和当前最为流行的最小二乘向量机的短期风速预测模型。用于张家口某风电场进行风速预测,通过实例仿真计算分析表明,混沌—LSSVM神经网络的混合算法可进一步提高预测精度。     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的预测可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

基于Box-Cox变换的风电场短期风速预测模型

风电场准确的风速预测可以减轻或避免风电对电网的不利影响,有利于在开放的电力市场环境下正确制定电能交换计划,提高风电竞争力.基于风速序列的时序性,使用极大似然法对风速序列进行了Box-Cox最优变换,建立了ARMA(p,q)风速预测模型.为检验时间序列模型的有效性,利用最小信息准则中的BIC(Bayesian Information Criterion)函数对ARMA(p, q)模型进行识别,并通过风速频率曲线对预测结果进行了修正.仿真结果和算例验证了该方法在风电场风速预测中的适用性,具有一定的实用价值.