基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于SSA-PSO-ANFIS的短期风速预测研究

针对风速具有强非线性的特点,提出一种奇异谱分析和改进粒子群优化自适应模糊推理系统的短期风速预测模型。该方法采用奇异谱分析将原始序列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。为提高预测精度,改用改进粒子群算法对自适应模糊推理系统的隶属度函数进行优化。以河北某风电场实测数据进行仿真并与传统的神经网络对比分析,结果表明将风速重构后分别预测再叠加降低了原始问题的复杂度,同时提高了预测精度,在不同时间间隔的风速序列预测中该模型显著降低了多步实时预测中的误差。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

基于卷积和共享权系数长短时记忆网络时融合机制在风速预测上的应用研究

针对对于风能规划和应用都具有重大影响的风速存在强随机性问题,该文提出结合卷积神经网络（CNN）和共享权重长短期记忆网络（SWLSTM）的空时融合模型（CSWLSTM）,充分提取风速序列中蕴含的空域和时域信息,以提升预测精度。此外,为了获得可靠的风速概率预测结果,提出一种新的结合CNN、SWLSTM和高斯过程回归（GPR）的混合模型,称为 CSWLSTM-GPR。将CSWLSTM-GPR应用于中国内蒙古风速预测案例,从点预测精度、区间预测适用性和概率预测综合性能3个方面与相同结构的CNN和SWLSTM模型的风速预测方法进行比较。CSWLSTM-GPR的可靠性测试保证了预测结果的可靠性和说服力。实验结果表明,CSWLSTM-GPR在风速预测问题上能获得高精度的点预测、合适的预测区间和可靠的概率预测结果,也充分展现了该研究所提出CSWLSTM在风速预测方面具有较好的应用潜力。     

基于人工神经网络模型的风速预测

利用在达坂城风电场30m轮毂高处的1min实测风速数据,采用人工神经网络模型ANN对未来短时间风速进行预报。通过对风速反复训练与检测来选择一组合适的模型参数,并对模型进行了误差分析。研究结果表明,使用BP神经网络对未来风速进行短时间预测能够达到较好的效果,误差较ARMA模型更精确,但是对于突变信息的处理能力仍然有限。     

Influence of neural network training parameters on short-term wind forecasting

This paper investigates factors which can affect the accuracy of short-term wind speed prediction when done over long periods spanning different seasons. Two types of neural networks (NNs) are used to forecast power generated via specific horizontal axis wind turbines. Meteorological data used are for a specific Western Australian location. Results reveal that seasonal variations affect the prediction accuracy of the wind resource, but the magnitude of this influence strongly depends on the details of the NN deployed. Factors investigated include the span of the time series needed to initially train the networks, the temporal resolution of these data, the length of training pattern within the overall span which is used to implement the predictions and whether the inclusion of solar irradiance data can appreciably affect wind speed prediction accuracy. There appears to be a relatively complex relationship between these factors and the accuracy of wind speed prediction via NNs. Predicting wind speed based on NNs trained using wind speed and solar irradiance data also increases the prediction accuracy of wind power generated, as can the type of network selected.     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

基于改进遗传算法优化的小波神经网络短期负荷预测模型

针对传统小波神经网络在电力系统短期负荷预测中存在预测结果的精确度依赖初始网络参数的问题,提出了一种基于改进遗传算法优化的小波神经网络短期负荷预测模型。为了保证神经网络在训练过程中,各个层的权值和阈值按最优方向变化,将遗传算法引入小波神经网络,利用遗传算法寻优能力指导权值和阈值进行优化。将概率分布策略用于遗传算法的种群交叉和变异过程,解决遗传算法在中后期搜索精度差,收敛速度慢等问题。应用结果表明,与基本的小波神经网络的预测模型相比,在只考虑短期负荷历史数据的情况下,通过均方根误差计算比较,基于改进遗传算法优化的小波神经网络短期负荷预测模型具有更高的预测精度。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

A new strategy for predicting short-term wind speed using soft computing models

Wind power prediction is a widely used tool for the large-scale integration of intermittent wind-powered generators into power systems. Given the cubic relationship between wind speed and wind power, accurate forecasting of wind speed is imperative for the estimation of future wind power generation output. This paper presents a performance analysis of short-term wind speed prediction techniques based on soft computing models (SCMs) formulated on a backpropagation neural network (BPNN), a radial basis function neural network (RBFNN), and an adaptive neuro-fuzzy inference system (ANFIS). The forecasting performance of the SCMs is augmented by a similar days (SD) method, which considers similar historical weather information corresponding to the forecasting day in order to determine similar wind speed days for processing. The test results demonstrate that all evaluated SCMs incur some level of performance improvement with the addition of SD pre-processing. As an example, the SD+ANFIS model can provide up to 48% improvement in forecasting accuracy when compared to the individual ANFIS model alone.     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

Forecasting method of monthly wind power generation based on climate model and long short-term memory neural network

Predicting wind power generation over the medium and long term is helpful for dispatching departments, as it aids in constructing generation plans and electricity market transactions. This study presents a monthly wind power generation forecasting method based on a climate model and long short-term memory (LSTM) neural network. A nonlinear mapping model is established between the meteorological elements and wind power monthly utilization hours. After considering the meteorological data (as predicted for the future) and new installed capacity planning, the monthly wind power generation forecast results are output. A case study shows the effectiveness of the prediction method.     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种...     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。