风电场短期风速预测的MRA-SVM模型

为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型。模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值。通过对某风场10 d的实测风速进行分析,预测了未来4 h的风速。用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度。实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测。     

计及历史气象数据的短期风速预测

提出一种计及历史气象数据的短期风速预测方法。首先将历史风速数据和历史气象数据作为风速预测的原始输入,采用混合特征选择(HFS)方法对输入向量进行删选,选取与预测风速强相关的变量,生成预测模型的输入特征集;然后运用异方差高斯过程回归(HGP)模型进行建模,该模型能体现风速的随机性。根据某实测风速数据进行提前1 h风速预测,结果表明所提方法能提高风速预测精度。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,可以有效减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

考虑相关因素的最小二乘支持向量机风速预测方法

准确的短期风速预测对电网的安全稳定性及降低运行成本具有重要意义。提出了考虑相关因素的最小二乘支持向量机风速预测方法,通过相关性分析,寻找对风速影响较大的因素,作为预测风速的信息特征参考量,并利用灰色关联分析方法,对风速数据进行预处理,筛选出某些与预测日特征相似的历史样本作为最小二乘支持向量机模型的训练样本,定量分析了预测模型的输入变量。由于训练样本与预测日风速信息的相似度极高,通过实例验证,有效提高了预测结果的可信度和精确度。     

考虑相关因素的最小二乘支持向量机风速预测方法

准确的短期风速预测对电网的安全稳定性及降低运行成本具有重要意义.提出了考虑相关因素的最小二乘支持向量机风速预测方法,通过相关性分析,寻找对风速影响较大的因素,作为预测风速的信息特征参考量,并利用灰色关联分析方法,对风速数据进行预处理,筛选出某些与预测日特征相似的历史样本作为最小二乘支持向量机模型的训练样本,定量分析了预测模型的输入变量.由于训练样本与预测日风速信息的相似度极高,通过实例验证,有效提高了预测结果的可信度和精确度.     

双加权最小二乘支持向量机的短期风速预测

提出了双加权最小二乘支持向量机的短期风速预测方法。考虑到离预测点越远的历史风速数据对预测值的影响越弱,对训练样本中输入向量数据进行第1次加权,以体现不同元素对预测影响的差异。同时为区分训练样本的差异性,降低异常样本的干扰,对训练样本进行第2次加权。对双加权后的训练样本,采用加权最小二乘支持向量机模型进行预测,降低了对异常点的敏感度,实现了对不同样本的区别对待。根据某实测风速数据进行了风速预测,结果表明,所提方法能提高风速预测精度。     

风电场短期风速变化区间与变化趋势预测算法

风电场短期风速区间预测对风电场与电力系统的协调运行具有重要意义,基于模糊信息粒化和最小二乘支持向量机提出了一种短期风速区间预测算法。首先对风速时间序列进行Witold Pedrycz模糊信息粒化,得到3个模糊粒子Low、R和Up,分别代表风速区间的最小值、变化趋势和最大值,然后利用最小二乘支持向量机回归预测模型对粒化数据进行回归预测。实例分析结果表明,该算法提高了预测精度和效率,可以有效地预测风电场短期风速的变化区间和变化趋势。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

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.     

支持向量机向量维数对短期风电功率预测精度的影响

为了提高短期风电功率的预测精度,采用支持向量机回归方法,以10 min采样间隔的实测风速和温度序列为输入数据,针对连续19天的历史数据按每隔5 h进行一次预测,每次采用一天144组风速、温度数据进行训练。实验分别选取了10 min、30 min和1 h的预测时间尺度,得到不同向量维数下预测结果的均方误差、均方百分比误差、平均绝对误差、平均绝对百分比误差以及相关系数。结果表明,对于特定的预测对象,支持向量机向量维数具有一个使预测精度最高、误差最小的最优值;对于不同的预测时间尺度,向量维数的最优值一般不同。     

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。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。     

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EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。     

风速概率分布参数预测及应用

利用双参数Weibull分布对历史风速数据按月拟合,通过对每年相同月份的分布参数数据进行分析,提出了一种基于灰色模型的、对未来年份中对应月的风速分布参数进行预测的方法。算例结果表明,该模型可以用较少的历史数据获得较高的精度,而预测所得的参数既可以用来评估风电场的风资源,又可根据概率分布的逆运算得到符合预测参数的风速序列。上述预测结果可以广泛应用于风力发电系统的仿真或风电场并网可靠性分析等方面。     

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。     

酒泉地区风电场风电功率预报研究

利用NOAA天气预报模式Weather Research and Forecasting Model(WRF)结合统计订正方法对酒泉地区短期风电功率预报进行了预报实验。与实际出力比较24 h短期风电功率预报精度较高。并在此基础上利用风电场附近测风塔观测数据通过时间序列发进行了0~4 h超短期预报实验,预报结果显示0~2 h预报结果有利于运行调度。     

基于小样本集的网侧风电功率预测方法

风电功率预测多采用统计预测模型,为了达到可接受的预测精度,需要大量的历史数据对模型进行训练,不适用于缺少历史数据的新建风电场,为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据,运用支持向量机方法建立了网侧风电功率预测通用模型,并用此通用模型对风电场功率进行初步预测;在通用模型预测的基础上,利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正,从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性,实际预测精度较好,说明该方法适于历史数据样本较小的风电场的功率预测,能够减少功率预测中统计预测方法对数据的依赖。