共查询到20条相似文献,搜索用时 0 毫秒
1.
风电功率的准确预测是减少风电接入电网的不良影响的必要前提。然而风电功率序列在时间上和空间上表现出非平稳性使其难以准确预测,因此提出一种基于集合经验模态分解(EEMD)和深浅层学习组合的短期风电功率组合预测方法,其中深度学习使用稀疏自编码器(SAE)而浅层学习则使用BP神经网络,从而建立EEMD-SAE-BP预测模型。该模型先用EEMD将风电功率原始序列分解为一系列按不同时间尺度分布的分量;然后针对分量中的高频分量建立SAE预测模型,对低频分量则用BP网络建立预测模型;最后将各子序列预测结果叠加得到最终的风电功率预测结果。通过比较几种预测模型的结果,本文提出的预测模型能有效地提高预测精度,有较高的实用价值。 相似文献
2.
3.
对风力发电进行有效的预测,则可降低电网调度的难度。根据从风电场获得的相关风速、温度、风向、风电功率等数据,建立基于BP神经网络的短期风电功率预测模型,预测提前1,2,4,24h的风电功率。对所得预测结果进行比较,从而判断各种短期预测模型的优劣。从对比的结果可知,神经网络模型预测不超过24h的风电功率时具有一定的可靠性。 相似文献
4.
5.
风电功率数据具有强烈的时序特性,其序列数据的特征提取,是进行风电功率准确预测的重要前提。为此,引入了更长、更深层次的多隐层独立循环神经网络来最大程度上提取可反映输入风电功率序列数据的本质特征量,进而建立起特征量与风电功率之间的非线性关系。然而,在建立深层独立循环神经网络时,存在模型超参数设置与优化困难的问题。为此,进一步提出结合布谷鸟算法对独立循环神经网络关键超参数进行优化设计的方法。最终,结合某风电场实际数据,将模型预测结果与实测数据进行对比,验证所提方法能够有效提高预测精度。 相似文献
7.
8.
9.
为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。 相似文献
10.
准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性,提出了一种基于自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和改进野狗优化算法(improved dog optimization algorithm,IDOA)优化双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性,将分解后的所有序列进行偏自相关方法分析,选出重要性较大序列作为IDOA-BiLSTM模型的输入,最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集,进行训练模型和预测分析,结果表明所提出的超短期风电功率预测模型具有较高的预测精度,具备实际应用的可行性。 相似文献
11.
风功率的准确预测对电力系统的规划、调度运行等方面均具有重要意义。该文以风功率预测误差最小为目标,提出了一种基于双向长短期记忆深度学习模型的短期风功率预测方法,包括3层(输入层、隐含层和输出层)网络结构的详细设计以及网络训练过程。输入层负责对原始数据进行预处理以满足网络输入要求,隐含层采用双向长短期记忆单元构建以提取输入数据的非线性特征,输出层提供预测结果,网络训练采用Adam优化方法。在此基础上,基于实际风电场采集数据为算例,对该文所提出模型进行训练与测试,验证了该文所提方法的可行性与优越性。 相似文献
12.
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。 相似文献
13.
风功率预测对提高电能质量和电力系统的安全运行具有重要意义。基于时间序列的方法,对内蒙古赤峰地区某风场的风功率数据进行了超短期预测,通过对数据平稳性检验的结果,建立了时间序列的ARMA模型,利用拉格朗日乘子检验的方法,检验ARMA模型具有ARCH效应,并建立适合的ARMA-GARCH模型。结论通过对比ARMA模型,ARMA-ARCH模型和ARMA-GARCH模型的风功率预测精度可知,在解决数据的残差序列异方差函数具有长期相关性时,ARMA-GARCH模型能够有效的提高预测精度。 相似文献
14.
风电集群的大规模并入电网对功率预测的准确度提出了更高的要求。为能充分利用预测功率信息和数值天气预报(numerical weather prediction,NWP)信息,该文提出一种基于功率变化趋势和风速变化波动的二维坐标的风电场动态分群方法。将4h时间尺度的预测过程分成4个等长时间尺度的循环过程,在每次1h的循环过程中应用平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)对各场站的二维坐标聚类,完成对集群的划分,根据划分结果构建训练集,通过门控循环单元(gate recurrent unit,GRU)模型完成各子集群的功率预测,重复这一过程直至完成4h的超短期功率预测。算例结果表明,所提方法的预测精度相比静态划分提升1.8%,相比统计升尺度提升4.31%,可有效提高风电集群的功率超短期预测准确度。 相似文献
15.
为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。 相似文献
16.
为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。 相似文献
17.
18.
地区电网风电场功率超短期预测方法 总被引:9,自引:4,他引:5
针对某地区电网并入多个风电场的情况,论证分析了所有风电场总输出功率变化较单一风电场输出功率变化具有更好的规律性,引入风电总量与风电分配因子这2个概念,提出超短期风电场功率预测模型和求解方法.主要内容包括:风电总量、风电分配因子以及它们之间的随机关联规律;最小二乘支持向量机和卡尔曼滤波技术对风电总量和风电分配因子的自适应动态预测算法;基于关联规律间接实现风电场输出功率的超短期预测.通过实例验证,表明所提出的预测方法无论是在风电场功率预测精度、还是在预测误差分布范围方面都有明显改进. 相似文献
19.
提出一种多风电场短期输出功率的联合概率密度预测方法。首先利用支持向量机对每座风电场的输出功率进行单点值预测,对预测误差建立稀疏贝叶斯学习模型进行误差的概率密度预测,得到单一风电场输出功率的边际概率密度函数预测结果;对多风场输出功率预测误差特性进行统计分析,发现同一区域内,风电场输出功率预测误差之间存在线性时空关联特性,进而运用动态条件相关回归模型求得相关系数矩阵,定量描述多风电场短期输出功率预测误差之间的动态时空相关关系;最后,综合单一风电场输出功率边际概率密度预测结果和相关系数矩阵得到多风电场输出功率的联合概率密度函数,并借助多元随机变量抽样技术形成包含动态时空关联特性的多维场景。通过实例分析,表明了所提出方法的有效性。 相似文献
20.
提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。 相似文献