基于改进EMD和RBFNN的短期风速预测模型

为提高短期风速预测精度,提出改进经验模态分解法(empirical mode decomposition,EMD)与径向基函数神经网络(radial basis function neural network,RBFNN)相结合的短期风速预测模型。首先,利用极值点对称延拓法对预处理过的风速序列进行处理,以抑制传统EMD在分解过程中所引起的边缘效应,并引用分段三次埃米特插值法解决传统EMD包络线的过冲或欠冲问题;然后,利用改进EMD将风速序列分解成各本征模态(intrinsic mode function,IMF)分量,再针对各分量分别构建各自的RBFNN模型进行预测;最后,将各分量的预测结果进行重构、叠加,得到最终的原始风速预测值。实验结果表明,改进的EMD-RBFNN预测模型能有效地提高风速预测精度,并具有一定的应用价值。     

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。     

基于经验模式分解和神经网络的短期风速组合预测

风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法（EMD）和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型（RBF）和支持向量机模型（SVM）相比,预测精度得到了大幅度的提高。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于VMD-IPSO-LSSVM的短期风速预测

为了降低风速数据序列的波动性,提高短期风速预测精度,对风速数据序列进行变分模态分解(variational modal decomposition, VMD),采用改进粒子群(improved particle swarm optimization, IPSO)算法对最小二乘支持向量机(least squares support vector machines, LSSVM)进行参数寻优,建立基于VMD-IPSO-LSSVM的短期风速预测模型。利用VMD分解获得8个模态分量,对各分量分解建立IPSO-LSSVM预测模型,得到各分量预测值,将各分量预测值叠加获得风速预测值。采用实际风速数据进行算例分析,结果表明,VMD-IPSO-LSSVM模型对风速预测结果的平均相对误差为3.34%,均方根误差为0.239,预测精度高于其他短期风速预测模型,验证了VMD-IPSO-LSSVM模型在短期风速预测方面的准确性和优越性。     

基于改进快速集合经验模态分解和Elman-Adaboost的短期风速预测方法

针对风电场风速时序的不可控特性以及短期风速预测精度低的问题,提出基于改进快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)和Elman-Adaboost的组合预测模型。首先,采用加余弦函数改进FEEMD方法将风速数据分解为相对平稳的本征模态函数分量;然后,运用样本熵(sampleentropy,SE)计算分量复杂度并按复杂度对分量进行重构;最后,基于Elman-Adaboost方法的单步直接预测方法来预测重构后分量下一天24 h的风速值,将所有分量的预测叠加得到最终的预测结果。选择预测点时间前24、48和72 h风速数据作为神经网络的输入维数,比较不同维数对预测精度的影响。实验证明,改进FEEMD-SE-Elman-Adaboost组合预测模型可以有效地提高风电场短期预测的精度。     

基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测

现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄。     

基于经验模态分解和支持向量机的短期风电功率组合预测模型

针对风速序列随时间、空间呈现非平稳性变化的特征,提出一种基于经验模态分解（empirical mode decomposition,EMD）和支持向量机（support vector machine,SVM）的EMD-SVM短期风电功率组合预测方法。该方法首先利用EMD将风速序列分解为一系列相对平稳的分量,以减少不同特征信息间的相互影响;然后利用SVM法对各分量建立预测模型,针对各序列自身特点选择不同的核函数和相关参数来处理各组不同数据,以提高单个模型预测精度。最后将风速预测结果叠加并输入功率转化曲线以得到风电功率预测结果。研究结果表明,EMD-SVM组合预测模型能更好地跟踪风电功率的变化,其预测误差比单一统计模型降低了5%~10%,有效地提高了短期风电功率预测的精度。     

一种基于EMD的短期风速多步预测方法

针对风速时间序列的非线性和非平稳性,提出了一种基于经验模式分解(EMD)的短期风速多步预测新方法。该方法首先对风速时间序列进行EMD处理,将其分解为一系列相对平稳的分量,以减少不同特征信息之间的干涉;然后利用游程判定法,将波动程度相近的分量重构为高-中-低频三个分量,使所得分量特征信息集中且预测分量大幅减少;之后针对三分量的特征分别建立相应的多步预测模型;最后将三分量的多步预测结果进行自适应叠加作为最终的预测风速。算例结果表明,运用本文方法使风速多步预测的精度得到了大幅提高,同时在风速波动剧烈时也能保证较好的预测效果。     

基于集合经验模态分解的神经网络短期风速组合预测研究

针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果叠加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。     

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。     

基于二次分解与IGWO-LSSVR模型的超短期风速预测研究

针对风速序列的非线性导致预测精度不高的问题,提出了一种基于二次分解技术和改进灰狼算法的风速预测模型.首先,利用该模型对风速序列进行完备经验模态分解(CEEMD),并且对复杂度过大的前3个分量采用变分模态分解(VMD)进行二次分解;然后,对分解后的各个分量采用改进灰狼算法(IGWO)优化最小二乘支持向量回归(LSSVR)...     

基于集合经验模态分解和改进极限学习机的短期风速组合预测研究

提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

基于EMD和SVM的风电功率组合预测方法

高准确度的短期风电功率预测对大规模风电的安全并网运行有着重要意义。为了改进功率快速波动时预测系统的准确度,针对风电场输出功率序列随时间、空间呈现非平稳性变化的特征,提出基于经验模态分解(Empirical Mode Decomposition,EMD)和支持向量机(Support Vector Machine,SVM)的组合预测模型。该方法先利用EMD将建模样本中的功率序列按不同波动尺度分解为相对平稳的独立正交分量,以减少不同特征分量的相互影响;然后对分解出来的每个正交分量分别建立预测模型,通过网格寻优法优化SVM参数,提高对不同尺度功率波动的预测准确度;最后采用改进的IOWA加权方式将各分量预测模型的预测值加权得到总的预测功率。短期预测算例结果表明,EMDSVM模型下采用改进的IOWA加权方式与单一多项式和支持向量机相比,具有更高的功率预测准确度。     

基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究

准确的风速预测对风电场实现平稳出力具有重要意义。为提高短期风速预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、套索算法(Least Absolute Shrinkage and Selection Operator, LASSO)、遗传算法(Genetic Algorithm, GA)、广义回归神经网络(General Regression Neural Network, GRNN)和长短期记忆模型(Long Short-Term Memory,LSTM)的短期风速变权组合预测模型(Variable Weighted Hybrid Model, VWHM)。首先运用集合经验模态分解技术,将原始风速时间序列分解成多个不同的子序列。然后运用套索算法对各个子序列的数据变量进行筛选,提取代表性变量作为预测输入。最后利用GA的全局优化能力,对由GRNN和LSTM构成的组合预测模型的权重系数进行移动样本自适应变权求解,并加权得到最终预测结果。仿真结果表明,所提的变权组合模型比单一模型以及传统组合模型具有更高的预测精度,且在风速预测中具有优越性。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。     

基于时序残差概率的风电场超短期风速混合预测模型

风速的准确预测对提升风电功率预测精度和电网稳定运行具有重要意义，预测模型残差的精准刻画是实现风电场风速序列准确预测的前提，提出一种基于时序残差概率的风电场超短期风速混合预测模型。首先，基于改进变分模态分解方法将风速分解为频率特征互异的分量；然后，通过时间序列模型对分量中具有规律变化特征的线性成分构建确定性预测模型，对于拟合残差成分采用条件核密度估计建立概率预测模型，并基于二者时序递推叠加结果构成风速预测值。在此基础上，针对各残差分量条件概率无法直接表征原始预测结果的问题，提出了一种基于模拟法的概率生成方法，实现对风速的概率预测。最后，以我国东北某风电场运行数据为例，验证所提方法具有较高的预测精度，在保证可靠性的同时，具有极低的预测区间宽度，降低了概率预测不确定性。     

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响.考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测.首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量.以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和...     

基于完整自适应噪声集成经验模态分解的LSTM-Attention网络短期电力负荷预测方法

短期电力负荷预测在电网安全运行和制定合理调度计划方面发挥着重要作用。为了提高电力负荷时间序列预测的准确度,提出了一种由完整自适应噪声集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)和基于注意力机制的长短期记忆神经网络(long short-term memory network based on attention mechanism, LSTM-Attention)相结合的短期电力负荷预测模型。完整自适应噪声集成经验模态分解有效地将负荷时间序列分解成多个层次规律平稳的本征模态分量,并通过神经网络模型预测极大值,结合镜像延拓方法抑制边界效应,提高分解精度,同时基于注意力机制的长短期记忆神经网络自适应地提取电力负荷数据输入特征并分配权重进行预测,最后各预测模态分量叠加重构后获得最终预测结果。通过不同实际电力负荷季节数据分别进行实验,并与其他电力负荷预测模型结果分析进行比较,验证了该预测方法在电力负荷预测精度方面具有更好的性能。