基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

基于FKNN算法的风电功率短期预测

风电场输出功率预测精度的提高能够极大的减轻风力发电对电网的冲击,提高风电并网的安全性和可靠性。针对KNN(K-Nearest Neighbor algorithm)算法存在的不足进行改进,提出了FKNN(Fast K-Nearest Neighbor algorithm)算法并将其应用到风电短期功率预测当中。首先,FKNN算法基于相似数据原理,针对每个预测样本,只需遍历一次训练样本集,得出K值最大时的相似历史样本优先级队列。然后,通过逐渐缩减优先级队列的长度,产生其他K值对应的相似样本优先级队列。其次,从产生的优先级队列中获取多数类样本,并应用其输出功率的平均值对预测样本的输出功率进行预测。最后,通过对吉林省某风电场的大量历史数据进行预测分析,充分证明该算法的简单性和实用性。     

短期风速-风电功率预测方法

传统灰色风速预测模型累加处理时不能预测突变风速,使风电功率预测误差过大.采用数值逼近算法对传统灰色GM(1,1)预测模型进行优化改进,以优化的灰色GM(1,1)预测模型对未来时段风速进行预测,突变风速预测误差降低了34.3％.再将优化风速预测模型和时间序列动态神经网络相结合,构建出风电功率预测模型.应用该模型对酒泉地区某风电场现场数据进行仿真测试,预测效果可信度大于93％.     

基于人工神经网络的短期风电功率预测

风力发电近年来已进入规模化发展阶段。由于风能的随机性和间歇性特征,风电场输出功率往往具有波动性,因此其功率预测对接入风电的电力系统的安全稳定运行及保证电能质量有着重要意义。基于人工神经网络模型,对风电场输出功率进行24小时短期预测,并分析该预测模型的可靠性和精确性,提出改进方法和进一步研究方向。     

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

风电功率短期预测及非参数区间估计

为满足电网规划的要求,风电功率预测系统不仅需要提供确切的预测值,还应该对预测值包含的风险做出合理的评估。利用人工神经网络预测风速、风向,并根据实测功率曲线获得风电功率预测值。分析了造成风电功率预测结果不确定的影响因素,提出一种基于预测误差分布特性统计分析的非参数置信区间估计方法,对各功率分区内的预测误差概率密度函数进行建模,并在确定性预测基础上求取概率性风电功率预测值。仿真结果验证了该方法的实用性与有效性。     

基于 RCNN-SVR组合模型短期风电功率预测

提出一种回归卷积神经网络与支持向量回归组合模型 (RCNN-SVR),采用该模型预测短期风力发电功率. 首先搭建了一种回归卷积神经网络 (RCNN)模型;由于 RCNN 存在计算量大的问题,因此利用 RCNN 从数据集中 提取特征因素,并用特征因素训练支持向量回归 (SVR)对风电输出功率进行预测;最后采用某风电场数据集进行验证,结果表明 RCNN-SVR模型比单独使用的传统 RCNN 模型或支持向量机具有更高的准确率.其中,RCNN-SVR 模型的 CV-RMSE、MAE和 MAPE分别为０．０９９８、０．３９２８和０．５４６８,说明 RCNN-SVR模型有效地提高了预测精度 和输出结果的稳定性.     

基于LCD-SE-IWOA-KELM的短期风电功率区间预测

针对风电功率的不确定性、随机性以及已有的风电功率点预测无法反应其不确定性信息的问题,提出了基于局部特征尺度分解(LCD)-样本熵(SE)和改进鲸鱼优化算法(IWOA)优化核极限学习机(KELM)的短期风电功率区间预测模型。采用LCD分解来降低原始风电功率序列的非平稳性,通过测量各ISC分量的样本熵来重构新的序列以降低过多的分量对预测精度带来的影响,然后分别建立各新序列的区间预测模型,最后将各新序列的预测结果进行叠加获得最终预测结果。采用改进的WOA算法优化核极限学习机的参数。实验仿真表明,文中所提模型能够获得良好的区间预测结果,具有一定的实际意义和应用价值。     

基于IAFSA-BPNN的短期风电功率预测

为提高短期风电功率预测精度,提出一种基于IAFSA-BPNN的短期风电功率预测方法。该方法通过改进的人工鱼群算法来优化BP神经网络的权值和阈值,从而提高BP神经网络的收敛速度和泛化能力。利用2014年上海某风场实测数据对新算法进行检验。试验结果表明,改进的人工鱼群算法一定程度上克服了原算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。IAFSA-BPNN混合算法在预测的稳定性和精度、收敛速度等方面优于BPNN、AFSA-BPNN算法。IAFSA-BPNN算法不仅能提高短期风电功率预测的精度,而且改善了预测结果稳定性。     

风电场出力短期预报研究综述

风力发电是可再生能源发电技术中发展最快的一种,是一种理想的、无污染的洁净能源。但是风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入电网,势必会对电力系统的安全、稳定运行带来严峻挑战。对风电场的出力进行短期预报,是解决这一问题的有效途径。在参考阅读大量国内外文献以及作者工作的基础上,首先对风电场出力预报的划分方法进行了探讨;结合我国风力发电发展的实际情况,分析了进行风电场出力短期预报的意义和必要性;然后对风电场出力短期预报的原理、方法以及国内外研究现状进行了总结;最后指出风电场出力短期预报研究中存在的问题和今后的研究方向。     

基于双变量经验模态分解和最小二乘支持向量机的风电功率区间预测

准确的功率预测是应对大规模风电并网问题的重要方法,但目前风电功率预测精度仍存在较大误差。为了更精确地对风电功率进行超短期预测,提出一种基于双变量经验模态分解技术和最小二乘支持向量机的组合区间预测方法。首先,通过比例系数法构造复值区间,解决了区间构造的难题;其次,利用双变量经验模态分解和样本熵分别将上、下限结果分解重构,凸显了数据的特征信息;再次,针对各特征分量分别建立基于深度信念网络和最小二乘支持向量机的组合预测模型进行预测;最后,将各分量的预测结果组合得到一定置信率下的预测区间。实际算例表明,与现有的区间预测方法比,所提区间预测方法有效提高了区间覆盖率,达到了更准确的预测精度。     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型。BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重。最后采用内蒙古自治区某风电场的历史数据进行提前0~15 min试验。结果表明,提出的IPSO-BiLSTM-AM模型具有较高的预测精度,可以为风电场电力调度与控制提供科学参考。     

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。     

基于灰色关联分析的短期风速预测方法

针对建立短期风速预测统计模型时输入变量的类型难以确定的问题,提出了一种基于灰色关联分析的短期风速预测方法。该方法以风速为基准序列,对温度、压强、相对湿度、露点等气象因素进行灰色关联分析,按照关联系数大小对气象因素进行排序,并根据排序结果选择风速和关联系数较大的气象因素作为输入变量构建LSTM模型,最后通过模型计算出预测结果。基于实测数据对该方法的有效性进行验证,结果表明,所提出的方法具有较高的预测精度。     

基于风速云模型相似日的短期风电功率预测方法

风电功率预测是解决风电不确定性影响的重要基础和必要手段,高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格。训练样本是影响预测精度的关键因素之一,但由于实际天气系统的复杂多样性和类属模糊性,定向选择与调度时段内风况相似的训练样本对预测精度至关重要。因此,提出了基于云模型定向选取风速相似日数据作为训练样本的短期风电功率预测方法,能够对指定时段内风速随机性和模糊性特征进行学习和建模,通过对历史数据的定向筛选和精细化利用提升预测精度。首先,以日为单位建立历史风速的云模型数据库;然后,建立云模型相似度量化指标,用于判断与待预测时段风速云模型最为相似的历史数据序列,以此为训练样本建立短期风电功率预测模型。在实际预测中,每日根据天气预报信息滚动更新训练样本和预测模型,提高预测精度。最后,选择中国北方某风电场运行数据进行实例分析,结果证明了所提方法能够提高风电功率预测精度,具有一定的工程实用价值。     

短期风电功率预测误差综合评价方法

对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提.当前风电功率预测误差评价主要采用均值类指标,无法全面、准确反映预测系统的运行情况.文中总结了风电功率预测误差的主要存在形式,提出了一套包含纵向误差、横向误差、相关因子与极端误差等在内的综合评价方法.基于内蒙古某风电场实际数据,采用该方法对不同预测方法、预测系统的不同误差环节进行了较为全面的评价,验证了评价指标的指导价值.     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。