基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题,以宁夏盐环定扬黄工程为研究对象,引入时间序列分析法,提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法,即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本,由ARIMA建模对处理后的数据进行线性拟合,通过SVM模型对残差进行预测处理,补偿机组运行中的非线性变化,综合二者预测结果得到组合模型预测值。结果表明,最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10^-5、3.9×10^-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好,可为泵站机组运行状态监测系统优化升级提供理论基础。     

基于XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

基于NACEMD-Elman神经网络的风功率组合预测

在电力系统中风电装机容量增长的背景下,高精度的超短期风功率预测是保证系统可靠运行的重要基础。为此,提出一种以复数据经验模态分解的噪声辅助信号分解法(NACEMD)和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用NACEMD将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络对各分量建立预测模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。实例分析表明,提出的组合预测法既可进一步减轻现有方法中存在的模态混叠现象,具备较高的预测精度。研究成果可为风功率预测提供参考。     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

光伏发电功率预测斜面辐射组合模型的评估研究

光伏发电功率预测以准确、可靠的倾斜面太阳辐射量数据为基础。文章通过斜面辐射组合模型的计算,得到倾斜面太阳辐射量。为了分析不同辐射组合模型对光伏发电功率预测结果的影响,建立光伏发电功率预测模型,同时,选取3种典型直散分离模型和4种斜面辐射模型进行理论分析,并将上述模型分别组成12种斜面辐射组合模型,进行光伏发电功率预测。研究结果表明:含Liu-Jordan模型的组合模型的功率预测值与实测值更吻合,其中,Erbs+Liu-Jordan组合模型预测结果的准确度最高;阴雨天,利用King模型进行计算时,会发生地面反射辐射值估计结果偏高的现象,导致预测结果的准确性较低。     

基于ARMAX-GARCH模型的微电网风功率预测

目前风功率预测多为风功率期望的点预测,且以采样间隔较大的功率序列作为建模序列,这样会降低预测模型对风功率时序特征模拟的准确度和可信度。文中基于小采样间隔风功率序列,提出ARMAX-GARCH风功率预测模型。通过构造风功率新息序列,结合小时平均风功率序列,建立ARMAX点预测模型,采用BIC最小信息准则和相关性分析实现模型定阶和外生变量选择;采用GARCH模型模拟残差的波动特性实现区间预测。以海岛微电网实测风功率数据为例,进行提前1 h风功率预测。结果表明,与持续法、ARMA和RBF神经网络相比,该预测模型能显著提高风功率期望的点预测精度并具有较好的区间预测效果。     

基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测

针对高分辨率气象数据匮乏影响光伏功率预测准确性的问题,提出一种融合气候相似性与奇异谱分析（SSA）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的高分辨率光伏功率组合预测模型。运用SSA分解光伏序列为不同子序列,建立CNN-LSTM日前预测模型以捕捉光伏出力的连续性特征;利用气候相似性通过低分辨率气象数据选取相似日实现高分辨率光伏出力预测;通过灰色关联分析动态组合权重得到最终预测结果。仿真结果表明,该组合预测模型可有效提高日前高分辨率光伏功率预测的准确性,具有较高的预测精度。     

基于组合模型的转子振动在线预测

转子振动是一个典型的非线性时变系统。针对转子振动在线预测难以实现的主要原因:预测精度和预测速度之间的矛盾,提出了一种基于组合模型在线预测的新方法。该方法将整个预测模块分成两部分:模型生成部分和在线预测部分。模型生成部分根据不断更新的数据不断训练新模型供在线预测部分使用,从而使在线预测部分避开了耗时的模型训练过程,为预测模型的不断更新和在线预测提供了一种新思路,并通过预测精度和预测速度验证了该方法的有效性。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于灰色组合模型的浙江省需水量预测

针对传统需水量预测模型存在的不足,将GM(1,1)模型和灰色Verhulst模型相结合,构建了灰色组合模型,并对模型采用残差和权重分配相结合的二次修正方式进行修正,在分析浙江省1998~2012年用水现状的基础上,利用二次修正后的灰色组合模型预测了2013~2020年浙江省的用水情况。结果表明,在未来的一段时间内,浙江省的需水量增长会逐步加快,尤其体现在居民生活用水和工业用水上。因此,做好工业生产节水工作,加快产业结构调整是今后工作的重点。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类,但点值预测方法难以适应光伏功率的随机性和波动性,因此,该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先,通过灰色关联度筛选出不同环境条件的相似日样本集,并利用EEMD将光伏出力序列分解成不同的本征模态函数;然后,利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化,并利用分位数回归法对光伏的输出功率进行短期区间预测;最后,通过算例数据验证所建立模型的有效性。     

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。     

基于组合模型的月降水量预测研究

近年来,由降水量过多或过少引起的灾害日益增加,因此准确地预测降水量对人类的生活和社会的发展具有重大意义和实际应用价值。基于郑州市1990～2019年的月降水量数据,分别利用SARIMA、Prophet、LSTM单一模型对郑州市2020～2021年的月降水量进行预测。为了提高月降水量的预测精度,提出SARIMA-EMD-LSTM、Prophet-EMD-LSTM两种组合模型,实证表明这两种组合模型预测精度更高,均方根误差显著减少,其中Prophet-EMD-LSTM组合模型的预测效果相对较优。最后利用该模型对郑州市2022年4～12月的月降水量进行了预测,精度较高。     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

基于EMD-MLP组合模型的用电负荷日前预测

[目的]用电负荷的精准预测是电力系统运行优化的基础,是电力系统能量管理中不可或缺的组成部分。针对传统数据分解技术与机器学习模型结合预测存在的精准度低、计算量大等问题,提出一种将经验模态分解与多层感知机结合（EMD-MLP）的新方法对用电负荷进行日前预测。[方法]首先基于EMD将原始负荷时间序列信号分解为多个本征模函数（Intrinsic Mode Function,IMF）分量,然后采用极值点划分法将多IMF分量进行重构形成高频和低频两个成分以精简预测对象,最后对重构的新分量分别建模预测,并将它们的预测结果叠加作为用电负荷预测值。[结果]采用澳大利亚电力市场2018年、2019年的实测用电负荷数据进行试验。[结论]将建立的EMD-MLP组合模型与持续性模型、单一MLP模型以及传统EMD组合模型进行外推预测效果的对比,验证了所建模型在提高预测精度上的有效性。此外,所提出的EMD-MLP组合新方法在保证精度的同时简化了模型复杂度,提高了预测效率,可以方便地应用于实际中的用电负荷日前与实时预测。     

基于MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

基于改进的网格法和BA-BP-ARMA模型的风功率预测

为更精准地预测风功率,首先结合改进的网格法和K均值聚类(Kmeans++)算法预处理风机数据,以剔除异常数据,引入临界概率并根据聚类的实际物理意义设置聚类中心点个数,临界概率同时反映风机性能。其次,利用改进的蝙蝠算法(改进BA)结合前馈(BP)神经网络建立风功率预测模型,BA中引入速度权重因子和高斯变异来避免陷入局部极值。最后,针对风功率模型的预测误差建立自回归滑动平均(ARMA)模型,采用误差的ARMA模型来修正风功率的预测值。结果表明,BA-BP-ARMA组合模型的预测效果更好。研究成果可为风功率预测提供参考。     

面向风电制氢的超短期组合功率预测

为解决因风电随机性带来的“弃风”问题,实现宽功率波动下的高效制氢,提出基于最小二乘支持向量机（LSSVM）的超短期组合预测模型,提高风电功率预测鲁棒性。通过变分模态分解（VMD）预处理将风电功率分解为不同带宽的子模态,以降低随机噪声及模态混叠的影响;引入蜻蜓算法（DA）优化LSSVM,建立超短期组合预测模型,以满足电解槽控制的时间分辨率及精度要求。以河北省某风电制氢示范项目为例,验证该算法对于高波动性数据具备更高的预测精度,为风电制氢系统的优化控制提供依据。     

基于FCM-等值风速模型的风功率日前预测

由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法（fuzzy c-means,FCM）的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明：所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。