基于主成分—遗传神经网络的短期风电功率预测

短期风电功率预测对接入大量风电的电力系统运行具有重要的意义,建立了基于主成分分析与遗传神经网络相结合的短期风电功率预测模型。该模型先对原始输入数据进行主成分分析,分析结果作为神经网络预测模型的输入;为克服BP神经网络训练时间长、易陷入局部极小值的的缺陷,采用遗传算法优化神经网络的初始权值和阈值,并使用Levenberg-Marquardt算法对网络权值和阈值进行细化训练。经某风电场实际数据验证,与GA神经网络模型、PCA-LM神经网络模型相比,预测精度明显提高,为短期风电功率预测提供了一种有效的方法。     

基于PSO-ICA-BP神经网络的短期风电功率预测

针对传统的BP神经网络对短期风电功率预测精度不高的缺点,提出粒子群算法改进帝国竞争算法(PSO-ICA),通过PSO算法改进殖民地同化操作提高ICA算法的全局寻优能力,输出全局最优解作为BP神经网络初始权值阈值。同时用主成分分析法降维压缩输入数据,提高网络泛化能力。利用PSO-ICA-BP预测模型对某风电场实际风电功率数据进行预测,仿真结果表明该模型预测误差更小,对短期风电功率预测更有效。     

基于小波变异果蝇优化支持向量机短期负荷预测方法研究

预测精度是电力负荷预测的重要指标。为增强预测精度,提出基于小波变异果蝇优化的支持向量机预测模型(WFOAAM-LSSVM)。利用小波对负荷数据进行预处理,分解成不同尺度的负荷曲线,加强历史数据规律性和随机性。针对果蝇算法寻优精度不高和易陷入局部最优的不足,利用群体适应度方差和当前最优解判断是否陷入局部最优,再进行最优个体扰动和高斯变异操作,对变异后的果蝇个体二次寻优,使支持向量机预测模型精度得到明显增强。利用WFOAAM-LSSVM对2015年河南省某地区历史负荷数据对未来几日预测,并与支持向量机模型以及粒子群优化的支持向量机模型预测结果对比。结果表明:基于小波变异果蝇优化的支持向量机短期负荷预测精度高,具有很好的实际应用意义。     

基于小波-神经网络的短期风电功率预测研究

为了提高风电功率预测精度,降低电网调度的难度,通过对影响风电功率预测的诸多因素如风速、风向、风电功率、温度等进行分析,进而对风电功率的预测方法进行研究和探讨,提出了基于多变量的小波-神经网络模型的短期风电功率预测方法。通过单变量和多变量的风电功率预测的比较研究,证明BP神经网络预测与小波-神经网络预测这两种方法的预测精度不同。而且,对于同一种方法,输入变量的多少也对预测精度产生影响。通过最终的比较研究得出,采用基于多变量输入的小波-神经网络开展风电功率预测可提高预测精度。     

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。     

基于改进TLBO优化LSSVM的风电功率短期预测

为提高风电功率短期预测的精度,提出一种基于改进TLBO优化LSSVM的风电功率短期预测方法。首先对基本TLBO算法中的‘教’阶段进行改进,在采用自适应教学因子的同时改变所有搜索个体的平均值,从而能够自适应的提高TLBO在整个搜索空间的性能;然后改进TLBO算法的‘学’阶段,为维持种群的多样性,避免TLBO算法过早收敛和陷入局部最优,在学习阶段引入高斯变异算子;最后用改进的TLBO优化构建的LSSVM预测模型。以上海北沿风电场和莱州风电场实测数据为例,仿真结果表明,与PSO和TLBO优化LSSVM相比,改进的TLBO优化LSSVM方法对短期风电功率预测具有更好的稳定性和更高的准确性。     

基于小波变换与IAGA-BP神经网络的短期风电功率预测

为提高风功率预测精度,减轻输出风能波动性对风电并网不利影响,提出了基于WT-IAGA-BP神经网络的短期风电功率预测方法。首先,利用风速分区、3σ准则及拉格朗日插值法清洗风电场历史数据;其次,依据小波重构误差,选择db4小波分别提取风速、风向、历史风功率的不同频率特征信号,并引入改进自适应遗传算法(IAGA)对各序列BP神经网络的初始权值与阈值寻优,使用Sigmiod函数通过适应度值自适应改变交叉概率与变异概率;最后,构建各序列的WT-IAGA-BP模型对短期风功率组合预测。通过仿真分析,并与ELM、WT-ELM及IAGA-BP方法对比,验证该方法具有更高的预测精度和更好的预测性能。     

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 1 h 和 24 h 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。     

基于蚁群优化神经网络模型的风电功率预测

首先采用LM神经网络模型对风电功率进行预测,为确定神经网络最佳权值和阈值、避免出现局部最优,采用蚁群算法进行优化;之后通过风速的预测值确定了预测精度低的时间点,并利用风电功率特性曲线进一步预测这些时间点的风电功率;最后采用均方误差、准确率、合格率指标对预测结果进行了定量分析,结果表明基于蚁群优化神经网络模型的预测准确度提高了16.272百分点,合格率提高了18.735百分点,均方误差降低了3.117。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

基于改进灰色关联分析与蝙蝠优化神经网络的短期负荷预测

针对短期负荷预测的精度问题,文中提出基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法。在传统的灰色关联分析方法基础上,引入以距离相似性和形状相近性相关联的综合灰色关联度选取更高相似度的相似日。为缩小训练样本的差异程度,提高预测精度,利用相似日集合中的样本来训练蝙蝠优化的反向传播(BP)神经网络预测模型。以中国南方某城市的历史数据作为实际算例,将文中提出的基于改进灰色关联与蝙蝠优化神经网络的短期负荷预测方法与单纯的BP神经网络法、蝙蝠优化BP神经网络法、传统灰色关联与蝙蝠优化的BP神经网络组合法的预测结果相比,结果表明文中方法的预测精度较高。     

基于遗传神经网络的风电场输出功率短期预测

针对风电场短期输出功率的时变性和非线性特点,提出了基于遗传神经网络的短期风电功率预测方法。结合BP网络对非线性问题良好的逼近能力和遗传算法优良的全局寻优能力,遗传算法有效解决了BP神经网络全局搜索能力差、易陷入局部极小值的问题。与BP神经网络模型相比,遗传神经网络模型预测精度有所提高,为风电场输出功率短期预测提供了一种有效的方法。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于自适应樽海鞘算法优化BP的风光互补并网发电功率预测

为解决风光互补并网发电功率预测问题,针对前馈(BP)神经网络容易陷入局部最优而导致预测精度降低的问题,提出了一种自适应樽海鞘算法(ASSA)优化BP神经网络的风光互补并网发电功率预测模型。首先,在标准的樽海鞘算法(SSA)中引入动态权重策略和变异算子构建ASSA。其次,引入BP神经网络算法,构建BP神经网络的风光互补并网发电功率预测模型。最后,通过ASSA算法优化BP神经网络的权值和阈值,提出ASSA-BP的风光互补并网发电功率预测模型。仿真结果表明,利用ASSA-BP模型预测发电功率数据的相对误差小于BP模型预测数据的相对误差。ASSA-BP和SSA-BP的模型平均绝对误差数值更小,ASSA-BP模型的平均绝对误差最小,ASSA-BP模型的预测稳定性最强。该预测模型较传统风光互补并网发电功率预测方法有更高的精确度。     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于改进BP神经网络的短期电力负荷预测方法研究

针对短期负荷预测精度低、准确性差等问题,将猫群算法CSO和BP神经网络相结合用于短期负荷预测,模型的输入因子是负荷数据和气象信息等,利用猫群算法对BP神经网络的权值和阈值进行优化,得到BP神经网络预测模型的最优解,建立了短期预测模型。通过实例验证了预测模型的有效性和有效性,结果表明,改进模型能够有效降低BP神经网络模型的预测误差,提高预测精度,为我国电力系统短期负荷预测的发展提供了参考和借鉴。     

应用粒子群优化算法的短期风电功率预测

根据数值气象预报的风速和风向数据,采用粒子群优化的前向神经网络模型进行短期风电功率预测。分析了数据相关性对预测结果的影响,比较了粒子群优化前后的前向神经网络模型的性能。研究结果表明,经过粒子群优化后的前向神经网络模型比没有优化的前向神经网络有更好的性能,且根据数据相关性较好的测试样本可得到较好的预测结果。风速风向数值预报与输出功率的相关系数越高,基于粒子群优化前向神经网络模型的预测精度越高于没有优化的前向神经网络模型。     

基于有效度遴选和纵横交叉算法的负荷组合预测

针对单一模型预测精度不高的问题,提出了基于有效度遴选和纵横交叉算法的组合负荷预测,新方法有效解决了选择单一模型的随机性和权重难以确定的问题。新方法根据预测有效度筛选组合预测单项模型,然后利用组合模型对小波包分解所得各个负荷子序列进行预测,并采用纵横交叉算法求取各单一模型的权值,最后叠加各子序列预测值得到完整预测结果。实例分析中,以广东省某电网实测负荷数据为例,研究结果表明:基于有效度遴选和纵横交叉算法的组合预测方法可操作性强、通用性好,并明显优于各单项预测模型、等权重组合模型和方差倒数组合模型的预测精度。     

基于BP神经网络的风电功率预测仿真分析

介绍了风电功率预测的背景,对风电功率预测进行了理论分析,分析了BP神经网络的原理及基于BP神经网络的风电功率预测流程和预测结果误差的评价指标。以Matlab软件的神经网络工具箱为仿真平台,搭建BP神经网络,进行了功率预测仿真,预测结果均方根误差分别为6．97％、200．59％。两组仿真对比结果表明,基于BP神经网络的风电功率预测在短期预测中是可行的．