遗传算法对SVR风速预测模型的多参数优化

实验分析发现:通过相空间重构法求出的嵌入维数E和时间延迟τ往往不是支持向量回归机(SVR)预测模型的最优参数。针对此问题,建立了一种基于遗传算法(GA)的多参数同步优化的SVR预测方法。利用GA方法对E、τ和SVR模型中的惩罚因子C、核函数宽度γ进行同步优化获得全局最优解,建立SVR风速预测模型。对比单纯优化C、γ的模型,以2组风速数据为例进行实验研究,建立的模型预测误差约为6.56%和7.74%。而对比模型的误差为12.00%和9.30%。这一结果表明,同时对E、τ、C、γ进行优化的模型相对于单纯优化C、γ的模型,预测精确度大大提高。     

相空间重构的极端学习机短期风速预测模型

对风速进行快速、准确的预测,可以有效地减小或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力.根据风速具有混沌特性,提出一种相空间重构的极端学习机(extreme learningmachine,ELM)的短期风速预测模型,通过确定延迟时间和嵌入维数,对样本空间进行重构,使新的样本更能反映风速变化特性,在此基础上运用ELM进行短期风速预测.与传统的预测模型相比,该方法具有学习速度快、泛化性能好等优点,为风速预测提供了新方法.     

基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义.根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测.由嵌入时间窗和、的关系,确定了和的多组可行匹配,并找出一个最佳匹配进行相空间重构.在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服"伪邻近点"的影响,提高了预测精度.预测模型采用了一阶局域预测模型和BP神经网络两种模型.算例分析结果验证了所提出方法的可行性和有效性.     

基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义。根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测。由嵌入时间窗 和 、 的关系,确定了 和 的多组可行匹配,并找出一个最佳匹配进行相空间重构。在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服“伪邻近点”的影响,提高了预测精度。预测模型采用了一阶局域预测模型和BP神经网络两种模型。算例分析结果验证了所提出方法的可行性和有效性。     

基于时间序列分析的风电场风速预测模型

风速预测是风电场规划设计中的重要工作因风速序列本身已经具有时序性和自相关性．提出了基于时间序列分析的风电场风速预测模型。为了检验时间序列分析模型的有效性．使用了信息准则AIC(An Information Criterion)函数在算例中,将预测风速的分布特性与实际风速分布特性相比较,验证了文中提出的时间序列模型用于风电场风速预测的可行性。     

基于粗糙集理论的遗传神经网络风速预测模型

风速预测对风电场和电力系统的运行具有重要意义。为了提高风速预测的精度,提出了一种新的风速预测方法——基于粗糙集理论的遗传神经网络模型。由于影响风速预测的因素很多,利用粗糙集理论的属性约简对神经网络输入的影响因素进行约简,识别出与预测风速相关性较大的影响因素作为输入量,减少了神经网络的计算量;利用全局搜索能力强的遗传算法对神经网络的初始权值进行优化,克服了神经网络收敛速度慢和容易陷入局部极小的缺点。实例结果表明该算法能够有效地提高预测的速度与精度,证明了该方法在风速预测中的可行性和有效性。     

基于粗糙集理论的中长期风速预测

在中长期风速预测中,正确处理相关因素的影响是提高风速预测精度的关键。该文提出一种粗糙集理论预测方法。利用粗糙集理论分析出风速预测的主要影响因素,将其作为中长期风速预测模型的附加输入,建立粗糙集神经网络预测模型。利用黑龙江某风电场的数据进行训练和预测,并将预测结果与单纯的混沌神经网络预测方法和持续模型方法进行对比,结果表明,粗糙集神经网络模型的预测精度最高。粗糙集方法在中长期风速预测中将是一个有用的工具。     

基于混沌支持向量机的短期风速预测

为了减轻风电对电网的影响,降低供电系统的旋转备用容量和运行成本,提出了以混沌理论为基础,基于相空间重构的支持向量机短期风速预测方法。为提高预测模型的预测精度和泛化能力,利用粒子群算法选择对相空间重构和支持向量机参数联合寻优,将最佳参数代入混沌支持向量机模型对短期风速进行预测。试验结果表明了该方法的有效性。     

基于非参数核密度估计与数值天气预报的风速预测修正方法

提出一种风速预测偏差修正方法。建立基于非参数核密度估计的风速修正模型,利用预测点之前一段时间内风速的初始预测误差来估计预测时刻的预测误差,从而对初始风速预测结果进行修正;结合数值天气预报法建立风速相位误差修正模型,有效减小风速预测的相位误差,在一定程度上防止风速突变拐点处"误修正"的出现。某地区实际风速数据的预测仿真结果表明,所提方法可有效降低初始风速预测偏差。     

考虑时空分布特性的风速预测模型

随着风电并网规模日益增加,风电功率波动对电网的影响将更加显著。风速预测可以辅助电网制定调度和运行控制决策,合理应对风电功率波动,降低风电功率波动对电网安全稳定运行的影响。考虑风电机组的地理分布和风速的时间、空间分布特性,建立等效风速模型。由该模型建立上、下游风电机组的风速关联关系,修正下游风电机组的风速。在此基础上,提出一种基于修正系数的风速预测方法,以提高预测精度。以实际风电场地理数据和风电机组参数为基础的仿真算例验证了该方法的可行性和合理性。     

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响.考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测.首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量.以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和...     

基于NARX及混沌支持向量机的短期风速预测

风速预测精度的提高,对降低风力发电成本、合理安排风场选址等方面有着积极作用。使用DBSCAN聚类对所有数据进行去噪处理,选择最合适的风速数据序列进行实证研究。首先,针对风速数据序列具有混沌性而对预测结果产生影响的问题,采用C-C法确定相空间重构中所需参数。与此同时,结合混沌理论建立混沌支持向量机模型,用以预测未来24 h的风速值。之后,将该模型与EGARCH模型以及具有外生输入的非线性自回归网络(NARX)模型的预测结果进行对比。最后,根据各预测模型的RMSE和MAPE精度对模型预测效果进行评估。结果表明:基于混沌时间序列的支持向量机模型对NWTC m2气象站所在地风速具有最佳预测效果。     

基于CEEMDAN与回声状态网络的风速预测方法

为了对风速进行准确预测,结合分类与回归树(Classification and Regression Tree, CART)、自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、回声状态网络与非线性误差修正策略,提出了一种基于回声状态网络(Echo Sate Network, ESN)的混合期风速预测方法。其中,CART用于对原始数据进行重构,得到建模数据集。CEEMDAN用于提取输入特征信息。ESN根据输入特征建立风速预测建模。最后,利用误差修正策略对所得到的模型进行修正。基于国内某风电场的数据实验表明,所提出方法能够准确预测风速,可以指导风场生产,提高生产自动化水平。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

基于混沌预测模型的聚类自适应模糊控制器的设计

根据混沌非线性、大时滞系统的时间序列及所得的Lyapunov指数规律，计算出系统的可预报尺度，对系统做了高精度预测；在此基础上，将聚类算法和模糊控制相结合，设计了一种新型的聚类自适应模糊预测控制器。将该控制器应用于锅炉的单元机组负荷控制系统中，实现了对非线性和大时滞系统的自适应控制．结果表明，该方案的适应性、实时性都很强，具有很强的工程实用价值。     

基于小波分解与支持向量机的风速预测模型

采用小波分析与支持向量机数据挖掘技术,建立风速预测模型（WD-SVM）。首先对原始风速时间序列进行小波分解,然后对分解后各层数据序列分别用支持向量机进行预测,最后将各层预测值进行小波重构得到预测风速序列。将WD-SVM模型应用于某风电场,进行了风速数据时间间隔为10min的提前4小时,即提前24步滚动预测,将一天分为21个时段进行了预测,预测的均方根误差平均值为11.71%。与仅使用支持向量机进行预测的模型（SVM）进行比较,组合模型预测精度明显高于单一模型。     

基于VMD和LSTM的超短期风速预测

风速具有非线性、非平稳性以及随机性等特点。为提高超短期风速预测精度,提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的超短期风速预测新方法。首先利用变分模态方法将风速序列分解成一系列不同的子模态以降低原始数据的复杂度和非平稳性对预测精度的影响。再对得到的风速子模态分别建立LSTM模型,进行超前1步风速预测。最后叠加各子模态的预测结果得到最终预测风速。对比分析结果显示,该模型的预测精度优于其他多种典型风速预测模型,该模型在超短期风速预测方面表现出较好的性能。     

优化遗传算法寻优的SVM在短期风速预测中的应用

针对遗传算法存在的早熟和收敛慢的问题,提出一种融合小生境算法、免疫算法的优化遗传算法。一方面通过疫苗因子引导初始种群的生成,使个体具有某些优秀基因,减少寻优时间,并随数据的更新,提出疫苗因子和参数寻优范围的自适应更新机制。另一方面在种群的进化过程中,通过小生境遗传算法维护种群的多样性。实验结果表明,将基于优化遗传算法寻优的SVM应用到短期风速预测中是可行的,具有较高的预测精度和收敛速度。     

基于MPC的超短期优化调度策略研究

为实现多时间尺度协调调度模式,基于模型预测控制(MPC)理论对超短期优化调度策略进行了研究。以系统发电机组运行成本和排放量费用最小为目标函数,通过求解前瞻时间内的多时段优化问题,为实时调度提供初始策略,以实际调度结果和新的预测信息作为反馈信息进行滚动优化调度。该方法将日前调度时间尺度和实时调度时间尺度的信息联系起来,可有效应对预测信息波动对系统调度的影响。算例仿真结果表明:考虑多时段整体优化,可以更好地在机组之间合理的优化分配负荷,提高整个火电厂运行的经济性。同时验证了MPC方法的鲁棒性和收敛性。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。