一种风电场短期风速组合预测模型

为了提高短期风速预测精度,提出一种变权系数的支持向量机组合风速预测模型。选择基于不同核函数的支持向量机作为单项预测模型以保证单项模型之间的差异性,对核参数用粒子群算法寻优选取以保证各单项模型的精确性。组合预测方法采用以预测误差平方和最小为准则的可变加权系数组合预测方法,以计算各单项模型在风速预测不同时刻的权系数。仿真实验表明,所建立的变权组合预测模型在短期风速预测上具有良好的预测效果,预测精度优于各单项模型和固定权系数的组合模型。     

基于非线性自回归神经网络的GHI预测

针对水平面总辐照度(global horizontal irradiation,GHI)短期预测问题,提出一种基于非线性自回归神经网络的短期水平面太阳总辐照度预测模型。首先,提出一种并联结构训练样本,以保证训练样本内部的时间耦合性。其次,通过对9项气象参数共511种组合作为输入的模型预测精度进行分析,确定模型最优输入组合。最后,利用4种典型气象条件下GHI时延神经网络预测模型,非线性自回归动态神经网络预测模型预测标准均方根误差均降低。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于诱导有序加权调和平均算子和马尔科夫链的电量组合预测模型的研究

将诱导有序加权调和平均算子和马尔科夫链相结合,提出一种基于诱导有序加权调和平均算子和马尔科夫链的组合预测模型,该模型可以克服传统的组合预测方法赋予不变的权系数和以单一误差指标作为预测精度衡量的缺陷,同时采用马尔科夫链推出各单项预测模型在各个预测时间点预测精度的状态,从而得到组合模型的权系数。文中首先采用回归法、指数平滑法及灰色预测法分别建立了陕西省某市年用电量单项预测模型,随后引进诱导有序加权调和平均算子和马尔科夫链的概念,建立了年用电量的组合预测模型,并对年用电量进行了实证分析。实例分析表明了新模型能有效地提高组合预测精度,降低预测的风险性,从而证明这种组合模型具有较好的实用性。     

基于小世界优化的风电功率变权组合预测模型

提出一种新型的基于小世界优化的支持向量机与灰色预测变权组合风电功率预测模型。该模型发挥小世界优化算法避免陷入局部极小、快速收敛等优势,对组合权重系数进行移动样本自适应变权求解,同时,支持向量机采用实数编码小世界算法(R-SWOA)进行回归估计,构成支持向量机改进算法(RSWO-SVM)。利用江苏某风场数据对风电机组输出功率的超短期实时滚动功率预测进行研究,分别预测未来10 min、30 min和1 h的功率值。预测结果表明,无论哪个时间尺度,该文变权组合模型的预测精度均明显高于各单项、等权平均和最小方差固定权系数组合预测方法,预测误差大幅降低。     

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。     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

基于GRA-BPNN时变权重的光伏短期出力组合预测

针对并网情况下光伏出力预测精度低和稳定性差问题,提出了一种基于灰色关联分析(GRA)结合BP神经网络(GRA-BPNN)的变权重系数组合预测模型。首先,利用3种单一预测模型对光伏出力分别进行预测,然后,利用GRA-BPNN模型对3个单一模型不同时刻的权重系数进行预测,最后,根据权重系数计算出预测结果。文章利用武汉某并网光伏电站的实测数据对GRA-BPNN变权重组合预测模型预测结果的准确性进行检验。分析结果表明:GRA-BPNN变权重组合预测模型的相对均方根误差和相对平均误差均低于单一模型和等权重组合模型;根据各预测模型的残差直方图可知,GRA-BPNN变权重组合预测模型预测结果中出现较大残差的概率很小,有效地解决了单一模型预测结果不稳定的问题。     

证据理论融合蚁群神经网络的短期负荷组合预测

为提高短期负荷预测的精度,引入了证据理论融合蚁群神经网络的组合预测方法,根据重庆市负荷的实际数据,采用蚁群神经网络作为单一模型对其进行初步预测,由BP神经网络对预测误差及主要外界影响因素进行分析建模,获得了每个模型的可信度,并用证据理论对可信度进行合成得到组合权值,进而实现对短期电力负荷的组合预测。结果表明,该方法拟合误差小、预测精度高,具有一定的应用价值。     

基于IOWA算子的短期光伏发电量组合预测

摘要： 为了对光伏电站的输出发电量进行预测,提出了一种基于IOWA算子的组合预测模型。该方法通过灰色关联度分析影响光伏发电量的关键影响因子,结合光伏电站历史数据,基于IOWA算子建立了短期光伏发电量组合预测模型。以华中科技大学电力电子研究中心18 kW并网光伏电站资料为基础进行预测试验,以误差平方和最小为准则构建最优化模型,结合各单项预测模型的优点,建立基于IOWA算子的光伏发电量组合预测模型。实验结果表明：所提出的预测模型降低了预测结果误差,提高了预测精度。说明该预测模型可为光伏电站发电量进行预测,为电力系统调度稳定运行提供参考。