基于OS-ELM的风速修正及短期风电功率预测

随着时间的推移,风电场风电功率预测模型的适用性逐渐降低,导致预测精度下降。为了解决该问题,基于在线序列-极限学习机(OS-ELM)算法提出了风电场短期风电功率预测模型的在线更新策略,建立的OS-ELM模型将风电场的历史数据固化到隐含层输出矩阵中,模型更新时,只需将新产生的数据对当前网络进行更新,大大降低了计算所需的资源。采用极限学习机(ELM)算法对数值天气预报(NWP)的预测风速进行修正,并根据风电功率的置信区间对预测功率进行二次修正。实验结果表明,采用OS-ELM算法更新后的模型适用性增强,预测精度提高;采用基于风电功率置信区间的功率修正模型后,风电功率的预测精度明显提高。     

风电场风功率预测系统研究

对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力。文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据。提出并实现了"自适应逻辑网络"(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段。现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性。     

基于高斯过程的短期风电功率概率预测

风电是近年来发展迅速的绿色能源,因此对短期风电功率的预测就显得尤为重要.提出了基于高斯过程(Gaussian Processes,GP)的概率预测方法,详细说明了该方法的短期风电功率概率预测原理并建立了数学模型.为了使短期风电功率概率预测精度有一个良好的对比性分析,将基于不同的单一协方差函数以及组合协方差函数的GP方法用于预测中,以国外某风电场2006年6月份的历史风电功率实测数据进行算例实例分析,并与SVM方法在同等条件下进行比较.实验结果表明,GP方法均可以给出较好的预测效果,优于SVM的预测结果,且能给出预测输出的置信水平.若考虑具有自动相关确定(Automatic Relevance Determination,ARD)协方差函数或具有ARD特性的组合协方差函数时,GP方法的预测效果最好.     

风电场风功率预测系统研究

对风电场发电功率的准确预测,可以有效优化电网调度,使得电网经济运行,同时提高风电场在电力市场中的竞争能力.文中提出了基于先进统计方法的风电功率预测系统,以高精度数值气象预报为基础,搭建完备的数据库系统,利用各种通讯接口采集风电场监控数据.提出并实现了“自适应逻辑网络”(ALN),为风电场建立功率预测算法引擎,可以准确预报风电场未来72小时短期功率负荷,并能针对单台风机、风电场或风机集群进行预测和上报,为风电场管理提供重要辅助手段.现场运行测试验证了系统在风速预测以及针对不同型号风机风功率预测的可行性和有效性.     

神经网络算法在股指预测中的应用

GMDH是一种具有自组织特征的数据处理方法，适用于非线性系统的建模，股指是一种重要的金融数据，具有混沌特性。该文将相空间重构引入了GMDH神经网络的建模中，并将之应用于道琼斯等股指的预测。同BP冲经网络方法及一阶局域预测法相比，GMDH获得了更好的预测效果。     

基于经验模态分解与多分支神经网络的超短期风功率预测

风功率预测是实现风电场监控及信息化管理的重要基础,风功率超短期预测常用于平衡负荷、优化调度,对预测精度有较高的要求。由于风电场环境复杂、风速不确定性因素较多,风功率时序信号往往具有非平稳性和随机性。循环神经网络（RNN）适用于时间序列任务,但无周期、非平稳的时序信号会增加网络学习的难度。为了克服非平稳信号在预测任务中的干扰,提高风功率预测精度,提出了一种结合经验模态分解与多分支神经网络的超短期风功率预测方法。首先将原始风功率时序信号通过经验模态分解（EMD）以重构数据张量,然后用卷积层和门控循环单元（GRU）层分别提取局部特征和趋势特征,最后通过特征融合与全连接层得到预测结果。在内蒙古某风场实测数据集上的实验结果表明,与差分整合移动平均自回归（ARIMA）模型相比,所提方法在预测精度方面有将近30%的提升,验证了所提方法的有效性。     

基于ARIMA模型误差修正的小波神经网络风速短期预测

风电场风速短期预测对于风力发电具有重要意义。本文首先根据国家标准《风电场风能资源评估方法》推荐的方法对风速数据进行预处理,修正不合理的数据以及插补丢失的数据:接着运用小波神经网络对预处理之后的数据进行预测,并对预测之后的残差形成的随机序列建立ARIMA误差预测模型,最后用预测的误差来修正风速预测结果。将以上方法用于某小型风电场实测数据,并将运算结果与小波神经网络的预测进行比较,MAPE降低了46.97%,结果表明基于ARIMA模型误差修正的小波神经网络明显改善了风速预测的精度,可有效应用于短期风速预测。     

考虑功率预测的储能电站动态优化控制方法

提出了基于超短期功率预测的储能电站平抑风电功率波动的动态优化控制方法,系统考虑影响储能电站的多种因素,构建基于风功率超前信息的充放电策略;以荷电状态偏移量最小为目标构建优化控制模型,同时考虑储能介质的性能约束,得到下一次控制步长内的优化控制模式,由此形成递进式的动态控制策略。实际风电场运行数据算例分析表明,所提方法可有效实现储能电站的高效控制,具有一定实际应用价值。     

基于CNN-LSTM的短期风电功率预测

短期风电功率预测对电力系统的安全稳定运行和能源的优化配置具有重要意义。鉴于卷积神经网络(CNN)高效的数据特征提取能力,以及长短期记忆网络(LSTM)描述时间序列长期依赖关系的能力。为了提高短期风电功率预测的精度,设计了一种基于CNN和LSTM的风电功率预测模型。该模型利用卷积神经网络对风电功率、风速、风向数据进行多层卷积和池化堆叠计算,提取风电功率相关数据的特征图谱。为了描述风电功率序列的时序依从关系,将图谱特征信息作为长短期记忆网络的输入信息,计算得到风电功率的预测结果。采用西班牙某风电场的实测数据进行模型预测精度验证。结果表明,该模型较LSTM、Elman模型具有更好的预测性能。     

GMDH模型在青海经济预测系统中的应用

将青海省1989年到2009年的GDP统计数据作为预测时的原始数据,建立GMDH(Group Method of Data Handling)自回归预测模型。由于要处理数据量十分庞大,而传统的GMDH算法每次拟合都会造成数据量的急剧增加,因此提出更加有效的GMDH改进算法。根据改进的GMDH预测模型的预测结果及对比表明,基于改进的GMDH自回归经济预测模型的拟合效果和预测结果,在经济正常增长或出现较大波动时都具有较高的可靠性与准确性。     

基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

Heuristics free group method of data handling algorithm of generating optimal partial polynomials with application to air pollution prediction†

In this paper a revised GMDH (Group Method of Data Handling) algorithm is developed in which heuristicsare not required such as dividing the available date. into training data and checking data, predetermining the structure of the partial polynomials, or predetermining the number of intermediate variables. In this algorithm the prediction error criterion, such as PSS (Prediction Sum of Squares) or AIC (Akaike's Information Criterion) evaluated from all the available data, in used as a criterion for generating optimal partial polynomials, for selecting intermediate variables and for stopping the multilayered iterative computation. This heuristics freeGMDH algorithm is applied to non-linear modelling for short-term prediction of air pollution concentration. By using the time series data of SO₂, concentration, the wind velocity and the wind direction in Tokushima; Japan, a suitable model for predicting SO₂concentration at a few hours in advance is developed. The predicted results obtained by the revised GMDH model are compared with the results obtained by a linear regression model, a linear autoregressive model and a. basic GMDH model.     

基于高层气象大数据的风电场中长期风功率预测研究

针对风电场风电功率波动性强,中长期风功率预测精度不高的问题,本文提出了一种基于高层气象数据的风电场中长期风功率预测方法。首先通过规则化和规范化高层气象数据,找出并完善与风功率强相关的气象因素;其次,结合大气运动方程与和下降梯度方程,建立高层气象数据的演变物理模型;随后,采用大数据聚类和挖掘等算法,对多维度海量高层大气数据进行分类,并基于数据对推导的高层大气数据模型进行训练和修正;最后,基于模型和大数据机器学习方法,构建高层大气运动数据和风电场历史数据之间规律,采用统计分析与物理模型相结合方法,对风电场中长期风功率进行预测。通过结合中国西南某地的风资源数据对某风电场中长期风功率进行预测,证明本文提出的方法能有效提高风电场中长期风功率预测精度。     

Short-term wind power prediction using differential EMD and relevance vector machine

As a renewable energy source, wind turbine generators are considered to be important generation alternatives in electric power systems because of their nonexhaustible nature. With the increase in wind power penetration, wind power forecasting is crucially important for integrating wind power in a conventional power grid. In this paper, a short-term wind power output prediction model is presented from raw data of wind farm, and prediction of short-term wind power is implemented using differential empirical mode decomposition (EMD) and relevance vector machine (RVM). The differential EMD method is used to decompose the wind farm power to several detail parts associated with high frequencies [intrinsic mode function (IMF)] and an approximate part associated with low frequencies (r). Then, RVM is used to predict both the IMF components and the r. Finally, the short-term wind farm power is forecasted by summing the RVM-based prediction of both the IMF components and the r. Simulation results have shown that the proposed short-term wind power prediction method has good performance.     

计及光伏及风电并网的电力系统短期负荷预测

为提升光伏、风电等分布式能源大量接入电网后短期电力负荷的预测精度,促进电网消纳能力提升,本文对光伏出力及短期用电负荷采用小波——径向基函数(RBF)神经网络预测方法;对风力发电首先利用总体平均经验模态分解(EEMD)方法对其功率数据分解,再采用BP神经网络、RBF神经网络、小波神经网络、ELMAN神经网络四种神经网络预测方法进行预测,并用粒子群算法(PSO)和灰色关联度(GRA)修正。最后,利用等效负荷的概念,分析光伏、风力发电并网对于短期电力负荷预测的影响,并将三种模型有效结合,得到了考虑光伏及风力发电并网的电力系统短期负荷预测的等效负荷预测模型。实例分析表明,本文所提方法相较于其他方法在该预测项目上具有相对更高的预测精度。     

基于LS-SVM和核密度估计的概率性风电功率预测

近年来风电在我国发展迅猛,但风速的不稳定性和间歇性,使风电功率也具有同样的性质,这样的电功率注入会带来电力系统运行的不稳定,因此,风电功率的预测对风电并网及使用具有重要意义。鉴于此,开展风电功率的短期预测研究,利用LS-SVM对风电功率进行建模并实现确定性的短期预测,在此基础上使用非参数统计法对确定性预测模型的预测误差进行拟合获得其密度函数,计算各功率段的置信区间以得到概率性预测结果,从而提高风电功率预测结果的实用性和可靠性。与常用的自回归滑动平均模型和BP神经网络模型进行对比实验,证明本方法的性能及优势。     

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information, MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、 AT注意力机制、 PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、 AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。     

考虑风场高维相依性的电网动态经济调度优化算法

大规模风电并网给电力系统的调度运行带来了巨大的挑战.本文提出改进的二阶段带补偿随机优化算法,用于考虑风场出力高维相依性的电网动态经济调度问题求解.首先,利用Copula函数描述多风场出力的高维相依性,获得多风场出力的联合分布;随后,引入二阶段带补偿随机优化算法解耦求解动态经济调度模型中的常规变量与随机变量;求解过程中,针对补偿费用期望值的计算受限于相依性风场维数,且对迭代方向指导不明确,导致算法收敛耗时长的问题,引入基于整体最小二乘的递推动态多元线性回归法对二阶段带补偿随机优化算法进行改进,通过补偿费用期望值的动态更新,促使两阶段模型的迭代求解快速收敛,克服了传统随机优化方法的"维数灾"弊端,使该算法能够用于考虑风场高维相依性的电网动态经济调度模型求解.最后利用IEEE 118节点系统和某省级实际电网系统验证了所提算法的有效性和实用性.