基于VMD的CNN-BiLSTM超短期风电功率多步区间预测

风能是随机波动的不稳定能源,大规模风电并入电网将对电网稳定性造成很大影响,有效预测风电功率区间将极大提高电网经济性与稳定性。针对风电功率数据的非线性,非平稳特性,提出一种基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法。首先对风电功率数据进行小幅上下波动,形成CNN-BiLSTM模型的初始上下限。其次运用变分模态分解(VMD)分别将上下限数据分解为若干个子分量,以降低风电功率时间序列的非平稳特性。然后将子分量输入CNN-BiLSTM模型,得到风电功率预测区间。最后以改进覆盖宽度准则为目标函数优化区间,得到给定置信水平下的风电功率预测区间。使用某风电场实际运行数据,与CNN-GRU、CNN-LSTM、KELM、SVR这4种模型作比,验证结果表明基于VMD的CNN-BiLSTM超短期风电功率多步区间预测方法可有效提高风力发电超短期区间预测精度。     

基于组合优化算法的短期风电功率预测

针对风电功率的长记忆、大波动性特点,提出了一种短期风电功率组合预测算法。利用集合经验模式分解算法在风电功率序列分解过程中添加成对的正负噪声分量,得到的不同复杂度的子序列,提高信号重构精度和分解速度。风电功率子序列的线性分量应用自回归分数积分移动平均模型进行预测,风电功率子序列的非线性分量利用自回归分数积分移动平均模型的残差序列训练优化后的支持向量机模型来进行预测,最后组合得到风电功率预测结果。通过对国内某风电场风电功率数据进行验证,表明该组合预测模型的预测精度更高,且模型具有更好的适应性。     

基于VMD-LILGWO-LSSVM短期风电功率预测

目的 为了减小风电功率并入国家电网时产生的频率波动,提高风电功率预测精度,方法提出一种结合变分模态分解（VMD）、改进灰狼算法（LILGWO）和最小二乘支持向量机（LSSVM）的风电功率短期预测方法。首先通过VMD方法将风电功率序列分解重构成3个复杂程度性不同的模态分量,降低风电功率的波动性;其次使用LSSVM挖掘各分量的特征信息,对各分量分别进行预测,针对LSSVM模型中重要参数的选取对预测精度影响较大问题,引入LILGWO对参数进行寻优;最后将各分量预测结果叠加重构,得到最终预测风电功率。结果以宁夏回族自治区某地区风电站实际数据为例,对未来三天分别进行预测取平均值,本文方法的预测平均绝对误差（mean absolute error,MAE）为2.706 8 kW,均方根误差（root mean square error,RMSE）为2.021 1,拟合程度决定系数（R-Square,R2）为0.976 9,与对比方法3～6相比,RMSE分别降低了40.93%,25.21%,14.7%,6.24%;MAE分别降低了42.34%,28.04%,16.97%,7.77%;R2分别提升了4...     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

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。     

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.     

基于小波长短期记忆网络的风电功率超短期概率预测

随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆(LSTM)网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性.     

基于XGBoost扩展金融因子的风电功率预测方法

现有风电功率预测模型的主要输入特征包括气象数据和功率数据,高精度气象数据获取困难、数据间潜在关系难以表示、预测模型收敛缓慢,提出基于极端梯度提升回归树算法(XGBoost)扩展金融因子的超短期风电功率预测新方法，以及基于风电时序数据衍生金融因子的预测模型.采用具有较高预测准确率与较快训练速度的XGBoost算法进行预测,使得预测模型快速收敛.在中国内蒙古某风电场的风电功率数据集与德国Tennet公司风电功率数据集上进行实验验证.实验结果表明,以R²score为例，所提方法与基准方法相比提升约14.71%.所提方法中的建模与预测合计时间不超过500 ms.     

基于MRMR的集合经验模态分解和支持向量机的风电功率实时预测

风电场的输出功率对风能的利用有很大意义,准确地对风电功率进行预测可以使系统安全稳定的运行。先分析得出与功率有关的变量,根据最大相关最小冗余(MRMR)原则筛选得出特征,使该特征能够代替整个风场。由于风电功率时间序列的非平稳性等特征,对风电功率时间序列采用集合经验模态分解,然后建立支持向量机预测模型。通过算例验证分析说明该方法的有效性,可以提高预测精度,减小误差。     

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.     

基于原子稀疏分解和支持向量机的风电功率实时预测研究

准确的超短期风电功率实时预测是实现风能大规模调度的有效手段.针对风电场风电功率实时预测精度低的问题,文中提出了一种基于原子稀疏分解(ASD)理论和支持向量机的预测方法.该方法利用原子稀疏分解算法对风电功率时间序列进行分解,然后对得到的原子分量和残差分量分别进行自预测和支持向量机预测,最后将预测值组合叠加,从而得到最终的预测值.以某风电场的实测风电功率数据为例,进行不同时段的实时预测.结果表明,该方法可以显著提高风电功率的预测精度.     

计及数据降维和数据清洗的超短期风电功率预测

现代通讯和测量技术飞速发展,“风电大数据”时代随之而来。在众多数据维度中提取有效的特征量能提高风电功率预测精度。Shap值可以解释特征变量对预测结果的影响程度,文中应用基于Shap的归因分析模型梳理出对风电功率影响较大的6维特征变量。将其与风电功率数据同时导入基于LOF-ARIMA的异常数据识别模型,从而对风电功率预测过程中所使用的历史数据加以清洗。最终根据VMD-PSO-BiLSTM分解模型完成风电功率超短期预测,实践表明可以显著提高风电功率预测精度。     

基于动态权重的风电功率组合预测方法研究

风电功率预测对风电并入电网、电力系统的调度和电网安全稳定运行有着重要的影响。由于风电场发电功率受风速、风向、地理、气象等多方面因素的影响,既具有时间相关性,也具有空间相关性,单一的预测模型往往达不到预期效果。为提高风电场发电功率预测精度,主要针对风电功率预测建立基于动态权重选取得组合模型进行研究,通过该组合模型来对风电场的发电量进行预测,并且应用多个评价指标来对预测结果进行评价,通过对吉林西部某风电场实测数据的预测,验证了模型的有效性。     

基于CNN–LSTM的风电场发电功率迁移预测方法

随着能源消耗的持续增长和全球气候问题的日趋严峻,以风能为代表的清洁能源装机容量正在稳步提升。为更好地消纳风电,需要准确的风电场发电功率预测为配套设施建设和未来规划制定提供有效依据。针对在缺少风电历史运行数据时预测精度较低的问题,提出一种基于卷积神经网络–长短期记忆神经网络（CNN–LSTM）的规划阶段风电场发电功率预测模型。首先,基于参考电站历史数据提取风速–风电功率实测数据点,采用3次样条插值进行风电功率曲线建模。然后,采用K–means聚类算法,根据风速–风电功率的特性关系划分参考风电场的区域类别。综合考虑风电功率与多维气象因素的特征关系和功率的时序特性,构建CNN–LSTM预测模型,提出基于功率曲线的预测结果修正方法。最后,基于某地风电场实际数据进行算例分析,并与使用标准功率曲线和未进行修正时的预测结果进行对比分析。结果表明：基于风速–风电功率特性的风电场聚类可以实现参考风电场的优化识别;所提模型预测结果优于传统标准功率曲线预测方法,基于功率曲线的修正方法进一步提升了预测效果。基于深度学习算法的规划阶段风电场发电功率迁移预测模型综合考虑了风力发电特性和多维环境因素,其有效性得到了...     

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。     

探讨基于混沌时间序列和神经网络的风电功率预测

首先综述了我国风电发展概况,分析了目前风电功率预测主要方法,接着研究了混沌时间序列与神经网络组合预测短期风电功率的可能性,最后提出了相空间重构技术和Elman递归神经网络结合应用于风电功率时间序列建模和预测的理论方法。     

基于VMD技术与混合储能策略的风电并网控制方法

针对风电功率波动性和随机性给电网稳定运行带来的不利影响,提出一种基于风电功率变分模态分解(variational mode decomposition,VMD)技术和混合储能系统的风电并网控制策略.首先,对典型风电出力场景的原始功率进行变分模态分解,根据风电并网功率波动标准将原始功率分解为并网功率和储能功率,在平抑风电...     

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.