基于加权正则极限学习机的短期风速预测

精确的风速预测是风电功率预测的基础,对保障风电场并网运行和维护电力系统的安全、稳定具有重要意义。针对风速时间序列强烈的波动性、随机性,难以预测的特点,建立了一种基于加权正则极限学习机(WRELM)的短期风速预测新方法。首先,采用与风速相关性大的历史风速、风向以及温度、气压、湿度等气象因素构成候选特征集;采用最大相关最小冗余(mRMR)准则选取与风速序列相关性最大的特征集作为预测输入,由此确定预测网络的训练集和测试集,建立WRELM;采用训练集数据训练网络参数,构建WRELM预测模型;最后,采用WRELM网络预测短期风速。通过风电场实测风速数据试验,验证了该方法的有效性,可用于短期风速预测实践。     

基于特征选择的RELM风速短期预测

准确的风速预测是风电场功率预测的基础,对大规模风电并网具有重要的价值。文章提出一种基于信息增益(IG)的正则化极限学习机(RELM)短期风速预测方法。首先采用信息增益对32维风速属性序列进行特征选择,并对其进行加权;然后将正则化系数引入极限学习机(ELM)网络,构建RELM风速预测模型;最后结合美国风能技术中心的实测数据进行仿真,与传统ELM网络、BP神经网络相比,该方法具有较高的准确性和预测精度。     

基于混沌分析和神经网络的风速直接多步预测

针对风速序列的混沌特性,提出了一种将混沌分析和神经网络相结合的短期风速直接多步预测新方法,以提高其预测精度。首先,对风速序列进行混沌特性分析和相空间重构;然后,根据重构相空间的特征参数,结合预测需求,确定Elman网络结构;最后,利用空间欧式距离选取的样本对Elman网络进行训练,建立风速直接多步预测模型。以华北地区某风电场实测风速为例进行仿真测试,结果表明与单步迭代法和直接神经网络法相比,该文方法在进行风速直接多步预测时具有更好的整体误差指标。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

基于融合长短时记忆网络的风电场超短期风速预测研究

准确的风速预测是风电功率预测的重要基础,对于电力系统的安全、稳定和经济运行有着十分重要的意义。文章通过考虑临近风电场之间的风速时空相关性,提出了一种融合长短时记忆网络的多风电场超短期风速预测模型。首先,通过堆叠的长短时记忆网络提取单个风电场的时间序列特征。之后,通过张量拼接层以及全连接层融合多个风电场的时间序列特征。最后,使用线性全连接层输出所有风电场的未来风速预测值。采用江苏省3个临近风电场两年的数据来验证文章提出的模型。与4种常用方法的对比结果表明:融合长短时记忆网络在四个季节内的超短期风速预测结果均能达到最优;通过序列特征融合的方式可以考虑多个风电场之间的时空相关性。文章提出的时间序列特征提取和空间特征融合方案直观、有效,多个风电场的风速预测精度得到明显提升。     

一种基于深度学习的FRS-CLSTM风速预测模型

为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。     

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。     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上.结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值.与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景.最后通过具体实例验证了该模型的有效性.