基于GRU网络的风功率短期预测模型

随着大容量风机并网需求的急速增长,现有电网的安全可靠运行面临着巨大挑战。为解决这个难题,提出一种基于深度学习的风功率预测模型。该模型以GRU网络为核心,将风电场的历史功率数据及功率相关的天气数值数据输入到模型中进行预测。鉴于风功率预测模型输入数据维度高、高波动性等特点,为了让GRU网络模型得到更精准的预测结果,在数据处理阶段引入CNN网络,降低输入数据维度。为了克服训练后的预测模型过拟合,引入了dropout技术。最后,通过实验验证该预测模型在预测速度和精度方面均有良好的表现。     

基于 IWOA-SVM 的风电功率预测

针对支持向量机预测精度低、收敛速度慢等问题,提出一种改进鲸鱼算法优化支持向量机的风电功率预测模型。将 Tent 混沌映射引入鲸鱼算法中,使初始种群的分布更加均匀;由于随机抽取猎物具有盲目性,不能充分结合迭代经验对种群进行更新,采用轮盘赌法寻找目标猎物来加快鲸鱼算法的收敛速度,得到改进鲸鱼算法优化支持向量机的风电功率预测模型。将该模型应用到我国东北某处风电场进行风电功率预测,并与其他常用的功率预测模型进行对比分析,仿真结果表明,该模型具有更高的预测精度。     

基于海上风电功率特性的预测误差对比分析

海上风电功率预测是大型风电场并网稳定运行的先决条件,风电功率预测的准确性对提高电网的质量和一致性具有重要作用。为提高风电功率预测误差,采用自回归移动平均(ARIMA)和改进的k-最近邻(kNN)两种预测方法对海上风电功率进行预测,结果表明,风电功率根据不同的特性可以用不同的预测方法进行预测,预测误差小于20%,通过改进预测方法,能够提高预测精度。最后,通过具体算例对改进的两种预测方法进行了验证,并将结果进行了对比,验证了两种算法在不同预测时间范围的有效性。     

钛合金铣削功率预测技术研究

针对现有钛合金铣削功率公式计算误差大,相关数据较少,经验公式系数识别不准确等问题,基于解析几何的方法得到切向切削力与测力仪测量值之间的数学关系,研究了切向切削力与切削力系数的关系,提出了一种方便、可行的识别钛合金功率预测模型系数的方法,考虑了刀具前角和切削速度对切削力系数的影响,修正了钛合金铣削功率预测模型。试验结果表明,提出的TA15退火状态下的铣削功率预测模型计算结果误差较小,可以比较准确预测钛合金铣削功率。     

基于小波-原子分解的超短期风电出力预测模型

为提高含风电场电网经济调度能力以及降低电力系统规划决策的保守性,提出了基于小波-原子分解(WD-AD)的风电出力超短期预测模型。该模型采用小波分解(WD)作为前置环节,以基于原子表达式的自预测和基于最小二乘支持向量机(LSSVM)的残余分量预测为基础构建原子分解(AD)预测模型,分别对风电出力的高低频分量进行预测,并将结果相加得到最终预测值。AD分解过程由衰减线性和Gabor原子库交替分解完成,可自适应匹配不同类型分量。同时,本文提出将细菌群体趋药性和正交匹配追踪算法相结合(BCC-OMP)优化的原子分解法,进一步增强了原子分解能力。实际风电场算例验证了所提方法的自适应性、快速性及有效性。     

基于GRU-XGBoost的风电场功率短期预测

随着风电技术的不断发展,更多的风电机组并入电网运行。考虑到电网的安全性与稳定性,精确的风电场发电短期预测技术越发重要。在利用自适应噪声的完备经验模态分解(CEEMDAN)风电原始序列信号的基础上,采用GRU-XGBoost模型对非线性、非平稳的功率序列进行建模和预测,以提高模型的预测能力和泛化能力。首先利用CEEMDAN将风电功率原始序列分解为一系列不同时间尺度的分量,将分解后的信号输入GRU神经网络输出预测信号,再输入XGBoost进行校正。通过与多种预测模型进行比较证明此模型拥有更好的预测精度。     

基于遗传算法优化神经网络的光伏发电预测

针对光伏发电系统输出电能随机性对电力系统的影响问题,对光伏输出功率预测方法进行了研究,提出了基于遗传算法优化BP神经网络的光伏预测模型。对光伏发电系统的历史发电量数据和气象数据进行了数学归纳,分析了天气类型、温度、太阳辐射强度等因素对光伏发电功率的影响。建立了基于遗传算法优化的神经网络光伏发电预测模型,提前一天进行了功率预测,且通过动态修正进一步提高了模型预测精度。运用Matlab为神经网络与遗传算法工具箱,对训练好的模型在不同日类型下进行了测试和评估,并与传统神经网络预测结果进行了对比分析。研究结果表明,利用遗传算法优化方法提高了神经网络模型预测光伏输出功率的精度,预测结果与实测结果之间的平均误差百分比减小,预测方法具有工程应用意义。     

消纳大规模风电调度决策的研究进展

风电场输出功率具有随机性和间歇性,对风电场输出功率进行预测是消纳大规模风电的基础工作,在此基础上对预测误差进行统计分析和评估,并用于电网调度决策;对风电功率不同时间尺度、不同前瞻周期的预测误差进行统计学分析,从而研究不同时间尺度之间调度决策的滚动优化机制以及不同时间尺度调度决策进行滚动优化时,调度与对应时间尺度预测之间相互协调配合的问题。     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和最小二乘支持向量机(LS-SVM)的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型。通过对实际数据的仿真,结果表明,该文所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

基于BP神经网络的风电场短期功率预测

风力发电具有绿色环保、资源丰富和容易开发等优势,但其间歇性和随机性的缺点对电力系统的安全、稳定运行,以及电能质量产生的影响却限制了风电的发展,而风电场功率短期预测是解决该问题的有效途径之一。负荷预测的精度与历史数据的准确性直接相关,提出将历史数据的处理分为失真数据查找和空缺数据补全两部分来处理的思想,并将负荷预测中的回归分析应用到数据处理中,提高了历史数据的准确性。在建立BP神经网络模型时,利用SPSS中的相关性分析和经验公式,确定输入层神经元和隐层神经元的范围,经多次试验后确定BP神经网络模型,并对某风电场的短期功率进行预测。结果表明,该方法精度较高,为电力调度部门提供了很好的依据,同时也为提高电网中风电装机比例提供了一种有效的途径。     

基于回归分析法的光伏发电功率预测模型研究

采用回归分析法对山东地区某电站进行光伏发电功率预测。光伏电站实际运行数据表明,一年中每个季节的光伏功率有着明显的差别。将光伏电站监测数据中温度、风速、辐射量作为预测模型的输入量,每天的输出功率作为输出量,基于回归分析法来训练每个季节的光伏预测模型。为了验证光伏预测模型的准确性,使用模型预测下一年每个季节的光伏功率,并与实际输出功率进行对比,结果表明,模型对春、夏季节的光伏输出功率预测较好,秋冬季的光伏输出功率误差较大。     

卡尔曼滤波及其在时间序列预测中的应用

根据时间序列预测的特点和要求,分析了传统时间序列预测方法的不足,提出了将卡尔曼滤波应用于时间序列预测。推导了基于卡尔曼滤波的ARMA模型参数实时更新算法,并采用功率谱密度分析方法确定预测模型的形式与阶数。最后,通过对光纤陀螺随机漂移建模进行了实证研究。     

基于灰色滚动预测模型的多接口变换器功率直接控制方法

交流侧不平衡状况下，多接口变换器功率控制效果的瞬时效果较差，动态输出功率预测结果准确性较低，无法使调节功率达到既定功率，由此，提出基于灰色滚动预测模型的多接口变换器功率直接控制方法。构建电网功率灰色滚动预测模型，确定应输出功率。构建多接口变换器单元电路模型，计算电网运行模式转换状态下的功率波动量。选用PID控制器，优化多接口变换器功率控制算法，对变换器输出功率进行补偿与控制。实验结果表明：该方法可在多种电网运行状态下对多接口变换器功率进行控制，使其与既定功率具有一致性，预测结果准确性得到提升，保证多接口变换器功率控制效果的瞬时效果，电网稳定运行。     

基于神经网络的风速预测技术研究

本文对基于神经网络的风速预测技术进行了研究。基于风电场的实际情况与实际历史风速数据,建立基于实际历史风速数据与人工神经网络的风速预测模型,对不同时间尺度下的风速进行预测,给出了不同时间尺度下的风况预测结果,并对计算结果进行了详细分析。对时间尺度基于神经网络的风速预测技术的影响进行了研究,设置多种场景,给出了不同场景下的风速预测结果,进而说明风速预测的输入样本选择方法的合理性与正确性。     

基于多准则决策的风速组合预测

风速预测对有效利用风能资源具有重要意义。为提高风速预测精度,提出一种基于多准则决策的风速组合预测方法。首先,引入预测有效度、熵值法和相关度3种方法评价单模型,由3个评价准则得到综合评价值,决策出参与组合预测的单模型集合。然后,采用诱导有序加权平均算子对单模型集合进行风速组合预测。采用山西省某风电场的测风塔数据进行仿真研究,并将该方法与单模型及基于预测误差平方和倒数法的组合预测模型对比,仿真结果表明该方法能够有效提高风速预测精度。     

基于孪生支持向量回归的风力机功率预测方法

针对风力机运行状态的不确定性问题应用机器学习提出一种基于孪生支持向量回归的风力机功率预测方法.首先,在孪生支持向量回归方法中分别采用线性核函数与多项式核函数,参数寻优上选用遗传算法建立预测模型并以平均预测精度作为评价指标;其次,基于SC ADA数据分析影响风力机性能的环境因素确定了风速、风向和环境温度为输入,风力机功率...     

风电场有功功率控制综述

针对风电大规模的集中接入模式,提出合理的风电场有功功率控制策略,使得风电场可以近似常规发电厂那样承担电力系统频率调节的作用,减小对接入电网的影响.对风电场有功功率控制模式进行了详细的介绍,并且对不同情况下的风电场有功功率分配策略进行了分类,展望了该领域的可能研究方向.     

气缸壁温度预测研究

基于包含热交换的气缸运动数学模型,提出了一种计算气缸充放气过程中等效热功率的理论方法,预测气缸在达到热稳态平衡时的气缸壁面温度变化情况,并利用该预测模型结果与实验测量的气缸壁面温度变化情况进行对比。结果表明,等效热功率理论分析得到的气缸壁面温度变化与实验结果基本相符,等效热功率模型可以预测不同工况气缸壁面的温度变化。     

基于梯度优化自适应指数平滑法的风电场短期风速预测方法研究

针对传统的三次指数平滑法预测精度不高、自适应遍历三次指数平滑法计算效率低等问题,引入了梯度优化算法,提出了一种基于梯度优化自适应指数平滑法的风电场短期风速预测方法。该方法可以在很短时间内获得最优平滑系数α,而且在最优平滑系数下大大提高了预测的准确性,对后续的风速预测精确性有大大的提高。将该方法与传统的指数平滑法、灰色预测法、梯度优化指数平滑法等诸多方法作了比较。研究结果表明,本研究方法在计算效率上,比动态遍历指数平滑法提高近80%,而在预测精度上,比传统指数平滑法和灰色预测法分别提高了27%和32%,该预测模型在风速变化平缓和波动情况下均具有较高的精度,以上结果验证了该方法的准确性和有效性。     

基于多种代理模型的光纤激光切割质量预测

为了提高光纤激光切割质量的预测精度,分别使用了多项式响应面法、克里金法和支持向量回归法三种代理模型方法,建立了激光功率、切割速率和辅助气体压力等加工参数与挂渣量之间的预测模型。使用拉丁超立方抽样法产生30组训练数据,利用正交试验法产生25组验证数据用以验证预测模型的精度。结果表明,利用克里金法和支持向量回归法建立的模型均成功地预测了挂渣质量,其中克里金法建立的模型预测精度最高,并利用该模型分析了激光切割加工参数对挂渣量的影响规律。