基于门控递归单元神经网络的风速误差修正模型短期风电功率预测

随着风力发电的日益普及,风电功率预测已成为辅助电网调度和电力交易的基础.针对短期风电功率预测问题,提出一种基于门控递归单元神经网络的数值天气预报风速误差修正模型.首先,提取数值天气预报风速误差的标准差作为权重,并根据数值天气预报风速时间序列对这些权重进行重新排列,得到权重时间序列.然后,提出基于双向门控递归单元神经网络...     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.     

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.     

基于支持向量机和误差修正算法的风电短期功率预测

基于风电功率预测单一算法带来的预测精度较低问题,提出一种新型的基于粒子群优化支持向量机结合误差修正算法的短期风电功率预测组合算法。该方法首先对原始数据进行分析和清洗;然后通过粒子群算法对支持向量机参数进行寻优,对风电功率进行一次预测,通过经验模态算法对一次预测进行滤波,达到降噪效果,同时得到一次预测误差;最后,利用误差修正算法对一次预测误差进行修正,得到最终的预测值。仿真和测试结果表明,相较于传统的单一算法,该组合算法能更好地提高预测精度。     

基于相似曲线簇和GBRT方法的超短期风电功率预测

为了减少训练数据的冗余信息,提高风电功率预测的精度,提出了基于相似曲线簇和GBRT方法的超短期风电功率预测模型。首先对历史风速序列进行相似曲线簇的提取,采用相似离度作为相似性判据,对大量历史风速序列与测试集风速序列进行相似性的判断,继而找出相似性好的风速曲线簇以及曲线簇中每个风速点对应的功率,并将其作为最终的训练样本,然后采用梯度提升回归树(GBRT)模型进行风电功率的预测。用上海某风场的数据进行对比试验,结果表明,该方法能够明显提高超短期风电功率预测的精度,具有实际意义。     

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TPA-MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力（time pattern attention,TPA）机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法（density based spatial clustering with noise,DBSCAN）和线性回归算法进行风功率数据集的异常值检测,利用k最邻近（k-nearest neighbor,KNN）插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。     

基于原子稀疏分解和混沌理论的风电功率超短期多步预测

为提升大规模风电场风电功率超短期预测精度,减少由风电功率大幅度波动对电力系统带来的不利影响,提出一种基于原子稀疏分解(Atomic Sparse Decomposition,ASD)和混沌理论的风电功率超短期多步预测模型.首先,利用ASD良好的序列趋势跟踪特性,将风电功率时间序列分解成多个原子趋势分量和一个残差随机分量;其次分别利用自适应预测法和混沌理论对两分量进行超短期预测;最后,将两分量的预测结果叠加,得到最终的风电功率预测结果.选取我国东北某区域风电功率数据为例,算例结果表明,相较于传统预测模型,本文的预测方法能够有效地提升大规模风电场风电功率超短期预测精度.     

基于时间序列突变误差校正的超短期风速联合预测模型

为了提高风速预测的准确性,提出了一种超短期风速联合预测模型.该模型首先利用经验模态分解与局部均值分解分别将风速数据分解为一系列相对平稳的分量,然后采用灰狼算法进行参数寻优的支持向量机(GWO-SVM)对分量进行预测,最后整合所有分量的预测结果得到风速预测结果.此外,为了减小预测过程中存在的误差,对误差类型进行了分类和分析,提出了一种基于时间序列突变的误差校正方法,采用时间序列预测模型直接对误差值进行校正,有效地减小了风速预测的误差.最后,通过仿真实例,证明了该风速联合预测模型和误差校正方法可以显著地提高风速预测的准确性.     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.     

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.     

Short-term forecasting optimization algorithms for wind speed along Qinghai-Tibet railway based on different intelligent modeling theories

To protect trains against strong cross-wind along Qinghai-Tibet railway, a strong wind speed monitoring and warning system was developed. And to obtain high-precision wind speed short-term forecasting values for the system to make more accurate scheduling decision, two optimization algorithms were proposed. Using them to make calculative examples for actual wind speed time series from the 18th meteorological station, the results show that: the optimization algorithm based on wavelet analysis method and improved time series analysis method can attain high-precision multi-step forecasting values, the mean relative errors of one-step, three-step, five-step and ten-step forecasting are only 0.30%, 0.75%, 1.15% and 1.65%, respectively. The optimization algorithm based on wavelet analysis method and Kalman time series analysis method can obtain high-precision one-step forecasting values, the mean relative error of one-step forecasting is reduced by 61.67% to 0.115%. The two optimization algorithms both maintain the modeling simple character, and can attain prediction explicit equations after modeling calculation. Foundation item: Project(2006BAC07B03) supported by the National Key Technology R & D Program of China; Project(2006G040-A) supported by the Foundation of the Science and Technology Section of Ministry of Railway: Project(2008yb044) supported by the Foundation of Excellent Doctoral Dissertation of Central South University     

基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测

为提高风电功率的预测精度, 提出基于数据分解和输入变量选择的短期风电功率预测方法。利用自适应噪声完备集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)对原始风电功率和风速数据进行分解, 平缓数据波动以提取内部隐藏信息。通过排列熵算法(permutation entropy, PE)将风电功率分量简化重构以降低模型复杂度。为提升输入变量与风电功率之间的关联程度, 剔除冗杂信息, 降低输入数据维度, 结合Pearson相关系数(Pearson correlation coefficient, PCC)和灰色关联分析(grey relation analysis, GRA)对各风电重构功率分量的输入变量进行选择。最后利用基于注意力的时序卷积网络(attention-based temporal convolutional network, ATCN)对各重构功率分量进行预测, 将各预测值叠加得到最终结果。试验结果表明, 基于CEEMDAN-GRA-PCC-ATCN的短期风电功率预测方法能够提取更多风电数据内部的关键信息, 降低输入数据的维度, 强化输入变量与风电功率之间的关联性, 有效提高预测精度。     

无人机皮托-静压管测风误差分析

空中三维风速的测量一直是试验靶场气象测量中的一个重点和难点。在分析现有测风方法的基础上,探讨了无人机(unmannedautomaticvehicle,UAV)皮托 静压管(Pitot statictube)测风方法的误差。该方法是通过将测量的静动压转化为空速,再根据风速、空速和航速之间的矢量关系解算风速。在风速测量的诸多误差中,空速的测量误差是主要因素。应用空速误差模型,采用仿真方法研究了误差敏感度,确定静压误差是空速误差的主要来源;在分析静压误差来源的基础上,给出了工程设计中减小误差的建议,对测风设备的研制具有指导意义。     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

基于FCM和SSA–ELM的超短期风功率预测

针对风电输出功率波动大、随机性强等特征引起风功率难以预测的问题,提出了基于模糊C均值聚类(Fuzzy C-Means,FCM)选取相似日和樽海鞘群算法优化极限学习机（SSA-ELM）的风电场超短期风功率预测模型。首先,采用FCM数据聚类方法,筛选出与预测日相关性较大的历史相似日,将其风速、温度、风向、气压等影响风功率的主要因素组成多输入样本集合;其次,通过训练集在训练过程中确定的网络参数,利用樽海鞘群算法在迭代过程中的充分探索和开发,优化极限学习机的输入权值矩阵及隐含层偏差值,建立樽海鞘群算法优化极限学习机的超短期风功率预测模型;最后,根据超短期风电并网的相关规定,针对河南省某风电场的实际数据,分别从基于相似日超短期预测、具有代表性的四季预测和滚动误差三方面进行仿真实验,与传统极限学习机（ELM）和BP神经网络模型进行对比分析,结果表明本文提出的模型收敛速度快,预测精度较高。证明了基于FCM和SSA-ELM的超短期风功率预测模型具有良好的追踪性和泛化性。     

基于L-M方法的迭代容积卡尔曼滤波算法及其应用

针对非线性状态估计中受到较大的初始估计误差和量测方程的非线性的影响致使状态估计精度不高的问题,提出了一种新的滤波算法——基于Levenberg-Marquardt方法(简写为L-M)的迭代容积卡尔曼滤波算法(ICKFLM).该算法将容积卡尔曼滤波算法(CKF)的量测更新过程转换为求解非线性最小二乘解问题,以状态预测和方差预测为初始值,使用L-M方法求解最优的状态和方差估计.把基于L-M方法的迭代容积卡尔曼滤波算法应用到弹道再入目标状态估计中,仿真结果表明,相比于CKF算法,新算法的位置估计误差约降低了70%,相比于基于Gauss-Newton方法的迭代容积卡尔曼滤波算法(ICKF)位置误差降低了40%.新算法具有较高的状态估计精度,且收敛速度快.