共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
为充分利用数据特征间的先验关系,提高风电场中长期发电功率预测精度,提出一种基于图卷积神经网络(GCN)、风速差分拟合(DF)、粒子群优化算法(PSO)的中长期风功率预测模型。通过分析风力发电全过程,挖掘风功率影响因素及因素间的相互关联性,搭建GCN模型,分别拟合风速和功率利用效率,进一步结合基于DF的风速-功率计算模型计算风功率,模型的损失包含功率损失、风速损失和功率利用效率损失3个部分,采用粒子群优化算法为这3部分损失确定合适的权重。2个风电场的实际算例表明,该模型未来10天风功率预测的相对均方根误差分别为11.44%和13.09%,具有较高的预测精度。 相似文献
4.
为了提高短期风功率预测精度,采用惯性权系数、粒子初始化规则调整和越界粒子变异操作等策略对粒子群—差分进化(Particle Swarm Optimization-Differential Evolution,PSO-DE)融合算法进行改进,形成改进PSO-DE融合算法,从而提高改进PSO-DE融合算法的优化性能。采用改进PSO-DE融合算法对最小二乘支持向量机进行优化,建立基于改进PSO-DE融合算法优化最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的短期风功率预测模型。采用风电场实际运行数据进行算例分析,结果表明,PSO-DE融合算法能够减少迭代次数,提高收敛精度,基于改进PSO-DE融合算法优化LSSVM的风功率预测模型的平均相对误差、全局最大误差和均方根误差分别为3.26%、5.97%和13.53,预测精度高于其他几种风功率预测方法,验证了所提出的改进策略及短期风功率预测模型的正确性。 相似文献
5.
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
6.
7.
随着风电渗透率的持续增长,风电功率预测的研究和应用变得非常重要,它将提高电网的安全性、稳定性和接纳能力。文中分别对基于风速预测和基于功率预测的两种风功率预测方法进行了分析,并建立了自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)预测模型。利用吉林省西部某风电场的实测数据,基于ANFIS预测模型采用两种预测方法进行实时多步滚动预测,并与基于线性回归法、滑动平均法和持续法的风电功率实时多步滚动预测得到的预测结果进行比较,结果表明前者的预测精度更高,说明了ANFIS预测模型的有效性,并发现基于功率预测的ANFIS预测方法的精度要高于基于风速预测的ANFIS预测方法。 相似文献
8.
9.
为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。 相似文献
10.
精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机(RVM)理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法(GSA)缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法(APSO)的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。 相似文献
12.
间歇性与不确定性是风力发电的固有特性,在风力发电迅速发展的背景下风电功率预测的重要性日渐凸显。为了减少单一模型在个别预测点误差较大的情况,提高整体预测方法的预测精度及相对误差率,本文采用反向传播(BP)神经网络以及支持向量机(SVM)两种基本模型进行组合,并引入粒子群(PSO)以及交叉验证(CV)算法来优化模型中的参数。结合主成分分析法(PCA)对原始数据进行预处理,在不降低预测精度的前提下,对原数据进行降维处理从而提高运算效率。使用模型分别对未来5天进行预测,结果表明组合预测模型的标准平均误差(NMAE)、标准均方根误差(NRMSE)都满足国内现行指标,而且预测精度比单一模型有很大提高,相对误差更加稳定,有效减少了较大误差点的出现。实例研究表明,基于主成分分析法的风电功率短期组合预测模型的可行性。 相似文献
13.
14.
风电场风速及风功率预测方法研究综述 总被引:3,自引:0,他引:3
随着全球能源形势日益严峻,传统的化石能源面临枯竭危机,清洁的可再生能源尤其是风能越来越受到人们重视,将来很可能替代化石能源成为主要能源。风速及风功率预测这一基础性研究课题对于风电场规划、风功率的控制、风电并网后电网的安全经济运行有着重要的意义。本文就风速及风功率预测模型进行了归纳整理和比较分析,对各种模型进行了客观评价,最后指出了未来预测模型的发展趋势。 相似文献
15.
16.
风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法(improved particle swarm optimization algorithm ,IPSO)对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机(LSSVM)的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机(support vector machine,SVM)模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机(IPSO-LSSVM)的风电功率预测模型具有较高的预测精度。 相似文献
17.
智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。 相似文献
18.
19.
20.
基于聚类经验模态分解和最小二乘支持向量机的短期风速组合预测 总被引:5,自引:0,他引:5
从分析风速序列的非线性和非平稳性特征出发,将一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的组合预测模型引入到风速预测中。首先使用聚类经验模态分解将风速序列分解为一组相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后运用最小二乘支持向量机对各子序列分别建模预测,为降低预测风险,使用自适应扰动粒子群算法(ADPSO)和模型学习效果反馈机制对LSSVM预测模型的输入维数和超参数进行联合优化;最后将各个子序列的预测结果叠加得到预测风速。实例研究表明,本文所提的组合预测模型可以有效挖掘风速序列特性,具有较高的预测精度。 相似文献