共查询到19条相似文献,搜索用时 203 毫秒
1.
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。 相似文献
2.
风速时间序列具有很强的间歇性和随机性,属于非平稳时间序列。为提高预测精度,提出了经验模式分解法(EMD)和神经网络相结合的短期风速组合预测模型。该方法运用EMD将风速序列分解为一系列不同频率的相对平稳的分量,减少了不同特征信息之间的干扰;根据各个分量的变化规律,选择合适的神经网络模型来分别预测,对高频分量采用神经网络组合预测模型,低频分量采用合适的预测模型直接进行预测;将各分量预测值叠加得到最终预测值。算例结果表明,所提方法与单一的径向基神经网络模型(RBF)和支持向量机模型(SVM)相比,预测精度得到了大幅度的提高。 相似文献
3.
相较于风电高频分量较高的随机性,风电的低频波动分量更能代表风电的未来走向。为此,提出一种基于低频波动挖掘和高频校正的风电超短期预测方法。为解决在全部低频过程中利用输入风电序列直接挖掘相似过程时出现的模式不匹配的问题,采用分类挖掘的方式。首先将低频波动过程划分为上爬坡、下爬坡、低出力、恒出力和其他5类模式,根据历史风电数据分别获取5类模式集。然后考虑输入序列的波动变化趋势将其截取为目标序列,在判断目标序列所属类别的基础上,挖掘所属模式集中的相似波动过程,进而得到相似波动的未来趋势,将其组成未来趋势矩阵。为解决直接依据低频分量得到预测结果的高频分量缺失问题,以未来趋势矩阵为输入,以风电实际值为输出,建立基于长短期记忆(longshort-termmemory,LSTM)的高频校正模型,利用LSTM模型学习低频波动性输入与实际输出的关联性,弥补低频波动模式中的高频分量,使得模型预测结果既利用波动性挖掘保证模式相似的准确性,又学习了高频分量保证风电功率的完整性。最后,以美国可再生能源实验室提供的加州海岸某风电场数据进行算例分析,验证所提方法的可行性和有效性。 相似文献
4.
5.
对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型(Auto Regressive Moving Average, ARMA) 与最小二乘支持向量机模型(Least Square Support Vector Machine,LS-SVM)相结合的混合模型短期风速预测方法。采用小波变换(Wavelet Transform,WT)方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。 相似文献
6.
《电网技术》2016,(2)
针对传统小波神经网络(wavelet neural network,WNN)应用于电力负荷预测时,存在网络组件无法对小波高频信号分量进行有效处理的问题,提出一种针对电力负荷高频信号的无迹卡尔曼滤波(unscented kalman filter,UKF)多频级WNN区间预测算法。首先,给定高频分量信号阈值,对三通道滤波器获取的中频信号分量进行深度划分,并利用UKF算法的无迹变换,获取电力信号高频小波分量均值产生的sigma特征点,将其作为神经网络输入进行训练和预测;其次,针对WNN输出低频信号分量方差的预测输出增量变换问题,利用区间预测估计算法实现高、低频方差预测输出融合,并作为网络输出评价指标;最后,通过实验对所提算法进行有效性验证,并给出高频信号分量阈值选取实验结果,为高频阈值选取提供依据。 相似文献
7.
为了降低风速数据序列的波动性,提高短期风速预测精度,对风速数据序列进行变分模态分解(variational modal decomposition, VMD),采用改进粒子群(improved particle swarm optimization, IPSO)算法对最小二乘支持向量机(least squares support vector machines, LSSVM)进行参数寻优,建立基于VMD-IPSO-LSSVM的短期风速预测模型。利用VMD分解获得8个模态分量,对各分量分解建立IPSO-LSSVM预测模型,得到各分量预测值,将各分量预测值叠加获得风速预测值。采用实际风速数据进行算例分析,结果表明,VMD-IPSO-LSSVM模型对风速预测结果的平均相对误差为3.34%,均方根误差为0.239,预测精度高于其他短期风速预测模型,验证了VMD-IPSO-LSSVM模型在短期风速预测方面的准确性和优越性。 相似文献
8.
针对风速非平稳、非线性的特点,为提高短期风速预测准确性与快速性,建立了EMD-RBFNN预测模型。利用经验模态分解(EMD)将风速时间序列分解为具有相同特征尺度的相对平稳的本征模态(IMF)分量,以实现风速时间序列信号平稳化;针对各个模态分量的特性,采用径向基函数神经网络模型(RBFNN)对各个模态分量分别进行预测,选用正交最小二乘法来最大限度减少错误率,最后将各IMF-RBFNN预测结果进行重构得到最终预测值;设计并实现了基于GUI交互式界面的多功能短期风速预测系统。实验结果表明,EMD-RBFNN预测模型有效提高了短期风速预测精度,具有一定的实用价值。 相似文献
9.
10.
为研究频域分量预测法对短期负荷预测精度的影响,利用频域分解算法分解原始负荷数据,将数据分解为4个部分:日周期、周周期、低频和高频分量。其中,日周期、周周期分量用Elman神经网络预测;低频分量采用随机森林预测;高频分量则使用Mallat算法二次分解,分别得到低频部分和高频部分,选取低频部分做训练样本与Elman神经网络结合预测高频分量;将各个频域分量结果重组,实现电力负荷的高精度预测。以某地市实际负荷数据为例进行仿真,将该方法与Elman神经网络法、随机森林法及频域分量预测法的预测结果对比,验证所提方法可以有效提高精度,减少预测值和真实值的离散程度。 相似文献
11.
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。 相似文献
12.
13.
基于相似数据的支持向量机短期风速预测仿真研究 总被引:6,自引:0,他引:6
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。 相似文献
14.
原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战,采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列,有效地提高了预测精度,避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA),将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型,扩大了参数搜索范围,提高了优化收敛速度;通过风速-风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。 相似文献
15.
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。 相似文献
16.
合理认知台风对区域风速预测的影响,对未来风电的最大化利用至关重要.针对台风到来对风速预测影响较大问题,基于多模式集成(ME)的台风数值气象预报信息,提出了一种考虑台风影响的风速多步预测模型.首先,针对台风期间风速数据噪声问题,使用经验小波变换(EWT)对风速历史数据进行解构,基于自适应阈值方法剔除噪声扰动,并重构风速序列信号.然后,采用门控循环单元(GRU)网络对重构后的风速序列进行多步预测,获取不考虑台风影响下的风速预测信息.考虑台风数据的缺乏,在GRU网络基础上引入深度信念网络(DBN)进行台风情况下的修正,以提高考虑台风影响时的风速预测精度.最后,基于中国南部某地实际数据进行算例分析,并与不考虑台风数值预报信息的基础算例进行对比分析.算例分析结果表明,相较不考虑台风影响的基准模型,所提模型可有效降低风速预测误差. 相似文献
17.
风电场风速和发电功率预测研究 总被引:129,自引:11,他引:129
风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地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。基于时间序列法和神经网络法,该文对风速预测进行了研究,提出了预测风速的时序神经网络法。该方法用时间序列法建模,得到风速特性的基本参数,并用这些参数选择神经网络的输入变量;为了提高预测精度,提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。 相似文献
18.
随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。 相似文献
19.
缺少气象数据场景下的超短期风电预测 总被引:1,自引:0,他引:1
本文对单个风力发电序列进行建模,并提出一种基于小波分解、特征提取和XGBoost+逻辑回归LR(logis?tic regression)且不依赖气象数据风力发电预测模型.提出利用小波分解提取原始风电序列的平均分量和高频分量;分别对平均分量和高频分量进行建模;为了提高模型对数据特征的敏感性,提出了一种将手动提取的特征和... 相似文献