A hybrid model of EMD and multiple-kernel RVR algorithm for wind speed prediction

In this paper, the hybrid model of empirical mode decomposition and multiple-kernel relevance vector regression algorithm (EMD-MkRVR) is presented for wind speed prediction. The multiple-kernel relevance vector regression (MkRVR) model includes radial basis function (RBF) kernel and polynomial kernel whose proportions are determined by a controlled parameter. Grid method is used to select the kernel parameters and controlled parameter in this study. In addition, wind speed can be regarded as a signal and decomposed into several intrinsic mode functions (IMFs) with different frequency range by empirical mode decomposition (EMD), the prediction models of these decomposed signals can be established by MkRVR with their respective appropriate embedding dimension. The experimental results show that the EMD-MkRVR model has a better prediction ability for wind speed than the RBF kernel RVR (RBFRVR) model and the polynomial kernel RVR (PolyRVR) model.     

小波分解层数及其组合分量对短期风速多步预测的影响分析

针对风速时间序列的规律性和随机性双重特征,将小波分解和RBF神经网络相结合用于短期风速预测。针对小波分解用于风速信号的不同频率成份的趋势项提取,研究了基于小波分解后的分量RBF网络预测及综合问题,包括全部高频-低频分量组合预测、部分高频-低频分量组合预测,以及低频分量组合预测三种方法的预测性能和特点。分析了三种不同方法在短期风速预测中的应用效果。通过对不同时间、不同地点短期风速预测的研究发现,进行不同步数的预测时,只有选取合适的分解层数、合适的高频分量和低频分量组合,才能得到最优的预测效果。该结论对于将小波分解用于短期风速时间序列的预测具有一定的指导意义。     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

基于小波-神经网络的风电功率短期预测

根据风速、风电功率变化特点,有效地预测风电功率,可降低电网调度的难度,利用小波多分辨分析法将风速序列信号分解到不同尺度上以反映不同变化频率的风速信号,分解后的风速信号经多层前向神经网络BP（Back Propagation）预测出其对应的风电功率,通过将基于小波-神经网络模型的预测结果与基于BP神经网络模型的预测结果进行比较研究,发现基于小波-神经网络的预测精度更高,效果更好,且预测精度与预测时间长短有关。     

基于小波-时间序列组合模型的风电功率预测

随着风电规模的不断扩大,及时准确地对风电场功率输出进行预测具有重要意义。但由于风速具有不确定性,风电功率难以掌控。通过分析风速与功率之间的变化趋势,建立基于风速的功率计算的数学模型,然后以风速预测为突破口,基于小波分解模型将历史无规律风速进行模式分解。对分解出来的历史数列进行分析,采用合适的预测模型分别预测,还原为原始数列得到预测风速,最后计算得到预测风电功率。通过某地的实例计算,证明了采用小波分解与时间序列模型进行风电功率预测的准确性与可靠性。     

基于Kmeans-VMD-LSTM的短期风速预测

短期风速具有间歇性、波动性、非线性和非平稳性等特点,具有高度的复杂性,预测难度较大。风速信号可以看成是由复杂度较低、规律较强的简单信号耦合而成,所以可利用分解方法使之分为多尺度的波动分量,降低分量复杂度,增强其规律性,可以提高其预测精度。因此,为了提高神经网络的学习效率,采用Kmeans算法对原始风速数据进行相似日聚类;其次,使用VMD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。通过大量试验和不同方法之间的比较表明,基于Kmeans VMD LSTM的组合预测模型可以有效提高风速短期预测的准确率。     

多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

基于多特征融合与改进QPSO-RVM的万能式断路器故障振声诊断方法

为可靠地进行万能式断路器机械故障诊断,在基于振动信号故障诊断的基础上,提出了一种多特征融合与改进量子粒子群(QPSO)优化的相关向量机(RVM)相结合的万能式断路器分合闸故障振声诊断方法。首先,对振声信号进行小波包软硬阈值结合去噪预处理,并利用互补总体经验模态分解算法对处理后的振声信号进行分解,提取固有模态函数能量系数、样本熵、功率谱熵,并组成多特征参数;然后,通过组合核函数核主元分析对多特征参数降维,并将其特征融合组成特征向量作为RVM的输入,解决单一特征识别断路器分合闸故障的低准确率和低稳定性;最后,利用改进QPSO优化分类模型参数,建立基于RVM的次序二叉树模型对断路器故障进行辨识。实验结果表明,该方法能有效提升不同故障状态下诊断结果的可靠性。     

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。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

风电场输出功率年度预测中有效风速预测研究

风电场风电功率预测在风能利用中具有重要意义。利用历史年份的小时平均风速数据对下一年年度风速进行预测。对历史年份的小时平均风速数据以季度为单位进行小波分解,采用递推最小二乘法建立各分量的二元线性回归预测模型,将各分量预测模型等权求和集成为次年度对应季度的预测模型。对实测数据的仿真计算表明,提前一年的风速季度预测的平均绝对百分误差(mean absolute percentage,MAPE)为12.25%,提高了此类预测的精度。考虑具体风力发电机组的功率特性、机组效率和设备运行情况,可得次年度风电场输出功率值。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

基于经验小波变换和相关向量机的断路器机械故障诊断

为了更准确的提取断路器故障特性,得到更可靠的故障诊断结果,在振动信号的基础上,提出了一种基于经验小波变换(Empirical Wavelet Transform,EWT)和相关向量机(Relevance Vector Machine,RVM)的断路器机械故障诊断方式。首先提取不同故障振动信号,设置阈值来初始化信号傅里叶频域分解区间,利用EWT分解得到有限带宽的多个模态。然后计算样本熵参数,计算并作为特征向量。最后,将特征向量输入相关向量机(RVM),建立不同故障的模型,对测试样本进行诊断。通过与其他方法实验对比,文中方法具有更高的故障诊断识别率,更快的识别速度。     

基于WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

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。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

遗传算法对SVR风速预测模型的多参数优化

实验分析发现:通过相空间重构法求出的嵌入维数E和时间延迟τ往往不是支持向量回归机(SVR)预测模型的最优参数。针对此问题,建立了一种基于遗传算法(GA)的多参数同步优化的SVR预测方法。利用GA方法对E、τ和SVR模型中的惩罚因子C、核函数宽度γ进行同步优化获得全局最优解,建立SVR风速预测模型。对比单纯优化C、γ的模型,以2组风速数据为例进行实验研究,建立的模型预测误差约为6.56%和7.74%。而对比模型的误差为12.00%和9.30%。这一结果表明,同时对E、τ、C、γ进行优化的模型相对于单纯优化C、γ的模型,预测精确度大大提高。     

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...     

基于掩模经验模态分解的风速组合预测模型

在风电预测中,传统的经验模态分解法将风速信号分解为若干具有不同特征尺度的数据分量时,其所得分量可能存在模态混叠现象,影响风速预测的精度。为此,提出一种基于掩模经验模态分解法和遗传神经网络的风速预测组合模型。首先,通过掩膜信号法（masking signal,MS）对经验模态分解法进行改进,将风速信号分解为频率相对固定、更为平稳的分量。之后,利用遗传神经网络算法分别对这些分量进行预测,将各分量预测结果叠加后得到最终风速预测值。通过C++语言编程进行算法实现,采用实际风场数据进行仿真,其结果表明,所提方法计算时间较短,预测精度较高,特别适用于在线超短期（10 min）和短期（1 h）的风速预测,具有实际的工程应用价值。     

采用提升小波包和相关向量机的电能质量扰动分类

针对电能质量扰动识别问题,提出一种多级相关向量机(RVM)和提升小波包分解(LWP)相结合的扰动分类新方法。根据电能扰动现象的内在特征,首先通过提升小波包算法快速提取各类扰动信号的分解系数能量作为扰动特征量;然后利用相关向量机构建多级分类树模型实现分类识别任务。研究表明相关向量机在权系数上引入超参数,与支持向量机相比无需设置惩罚系数、推广能力好、解更稀疏。仿真表明所采用方法能够快速有效地获取高精度扰动分类识别率,测试时间短,更适合于在线检测。仿真和试验结果验证了所采用方法对电能质量扰动分类的有效性。