基于混沌径向基函数的风电功率短期预测

风电功率预测方法分为两类,即直接预测法与功率曲线转换法。因风电功率具有混沌特性,故将混沌时间序列的相关理论引入到风速和风电功率预测中。鉴于预测精度在很大程度上取决于模型参数的选择,为此先用C-C法联合优化了重构相空间的参数,再用径向基RBF神经网络模型直接预测风电功率,或者由该模型得到风速预测值后,根据对应的风电机组功率特性曲线而推算出风电功率预测值。实例分析结果表明:所提出的两种方法均有较高的预测精度,其中基于混沌径向基RBF神经网络的风电功率直接预测法效果更优。     

基于改进KNN算法的风电功率实时预测研究

大规模风电并入电网将对电网的规划建设、分析控制以及电能质量等方面产生显著的影响,高精度的超短期风电功率预测可以对含大规模风电电力系统的安全调度和稳定运行提供可靠的依据。文章对风电功率的超短期预测方法进行了研究,以混沌理论为基础,对相空间重构参数进行了计算,提出了基于改进KNN(KNearest Neighbor)算法的风电功率实时预测方法,并且应用多个评价指标来对预测结果进行评价,以吉林西部某风电场实测数据为例,验证了模型的有效性。     

基于EEMD-PSO-ELM的风电功率超短期预测

针对风电场功率不稳定特性引起风电功率预测精度不高的问题,提出1种基于EEMD-PSO-ELM的超短期风电功率预测方法。首先,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将风电功率序列分解为若干个模态,从而避免了模态混叠;其次,利用相空间重构对分解得到的模态计算Hurst指数,并依据Hurst指数得到最优子序列;最后,采用粒子群算法(particle swarm optimization,PSO)-极限学习机(extreme learning machine,ELM)模型对最优子序列风电功率进行预测。以某风电场为例,采用预测模型进行分析,实验结果表明EEMD-PSO-ELM预测模型的风电功率预测精度更高。     

基于Volterra自适应滤波器的风电功率混沌预测

风电场风电功率短期预测对并网系统的安全、经济和稳定运行具有重要意义。利用C-C法对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的最大Lyapunov指数,两者均证实风电功率时间序列具有混沌特性,可采用混沌方法对其进行预测。利用不同阶数的Volterra自适应滤波器对风电功率进行短期预测。应用于2个不同风电场进行验证,结果显示：Volterra自适应滤波器能够反映出风电功率序列未来变化的趋势,并可以达到较高的一步预测精度,但阶数不同,预测精度不同,阶数越低,精度越高。     

考虑数据和模型不确定性的短期风电功率概率预测

风电功率预测结果的不确定性包括数据不确定性和模型不确定性。首先,分析了两种不确定性的来源,给出了风电功率概率预测的目标和形式;其次,将风电功率条件概率分布的参数作为神经网络输出,并利用负对数似然损失作为损失函数,实现对数据不确定性的建模;然后,将神经网络的权重由确定的变量转变为随机变量,并采用概率分布表示,实现了对模型不确定性的建模;最后,提出了考虑数据不确定性和模型不确定性的风电功率概率预测方法。基于实际风电场数据分析了不同概率分布下预测的性能,结果表明,所提方法支持概率分布、区间、出力场景3种形式概率预测;并且考虑模型不确定性后,提升了概率分布预测的性能;也验证了在异常天气条件下,所提方法能够表征预测结果的不确定性。     

基于EEMD和LS-SVM模型的风电功率短期预测方法

原始风速信号具有的间歇波动性特征给风电场的功率预测带来了挑战,采用集合经验模态分解(EEMD)法将原始风速信号分解为频域稳定的子序列,有效地提高了预测精度,避免了传统经验模态分解(EMD)存在的模态混叠现象。提出一种改进型果蝇优化算法(FOA),将风速子序列重构参数和最小二乘支持向量机(LS-SVM)参数作为优化目标建立风速预测模型,扩大了参数搜索范围,提高了优化收敛速度;通过风速-风功率转化关系可以求得风电场的功率值。实验结果验证了所提方法相比于EMD和LS-SVM预测方法具有更高的预测精度。     

基于MEEMD-KELM的短期风电功率预测

风电功率时序信号是间歇性、波动性的非平稳信号,信号的平稳化处理是风电功率预测的关键。针对EEMD在分解风功率时序信号时存在模态混淆、伪分量和较大的重构误差等问题,将MEEMD用于风功率信号分解并与KELM模型相结合,提出了基于MEEMD-KELM的风电功率短期预测方法。该方法采用CEEMD将原始信号按频率高低依次分解,检测分量的排列熵值,通过熵值判断异常分量信号并将其从原始信号中剔除,再对分离后的信号进行EMD分解,得到的若干个IMF分量分别通过KELM模型进行组合预测。以上海某风场为例进行仿真实验,并与传统方法进行对比,结果表明该方法预测精度更优且更具稳定性。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中,根据非线性大坝变形时间序列,运用相空间重构理论,建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型,对混沌的大坝变形数据短期预测模型进行了研究,对比分析了各自的特点,并结合实例完成了对大坝变形的预测。计算分析表明,该模型预测误差较小,与传统的自回归模型预测结果相比,基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

基于相空间重构参数优化的风电功率混沌属性判定

基于风电功率时间序列是一组非线性的随机序列,其内在规律复杂而多变,传统的预测手段很难对风电功率做出高精度的预测。研究风电功率内在特性是做出高精度预测的先行条件。相空间重构法能有效地展示非线性时间序列的内在混沌属性。采用C-C算法构造一个非线性时间序列的嵌入,有效减少计算的同时又保持了功率序列的非线性特性,并同步计算出嵌入维数和延迟时间。在重构的相空间基础上通过小数据量法计算出风电功率序列的最大李雅普诺夫指数,揭示了风电功率的内在特性,说明了风电功率混沌属性的判定原理和计算方法。     

基于BP-AHP风机状态评估的超短期风电功率动态预测研究

针对传统风电功率预测仅考虑气象因素，且无法计及风电机组真实出力状态导致预测精度较差问题，本文提出一种计及风机状态的超短期风电功率动态预测方法。首先，为能够精确评估风机状态，将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中，构建BP-AHP风机状态评估模型，实现单台风机状态评估；然后，综合考虑地形及机组排布等因素，将风电场所有风机的状态取均值作为风电场状态，利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性，并采用XGBoost构建计及风机状态的动态预测模型；最后，以陕西地区某风电场实测数据进行算例分析，验证了所提方法的可行性及有效性。     

基于优化相空间重构技术的风电场发电功率预测研究

大规模风电的接入将对电网的规划建设、分析控制、经济运行以及电能质量等方面产生一定的影响,较为准确的风电功率预测可减少电网旋转备用,为电网运行调度提供可靠的依据。以中国某风电场为例,对风力发电功率的超短期预测方法进行了研究,提出了以混沌理论为基础、基于相空间重构的风电出力混沌时间序列预测的方法,对相空间重构参数的优化进行了综合计算,定性分析了风电出力时间序列的混沌特征,同时对应用嵌入维空间的具体预测方法进行了研究。实际算例表明该综合方法具有较高的预测精度。     

风电场短期风速的混沌预测方法

高精度的短期风速预测对提高含大量风电机组电网的安全稳定性及降低运行成本具有重要意义。文中在对风速时间序列进行相空间重构的基础上,使用混沌加权零阶局域预测法对风速进行预测;进而针对该方法在高嵌入维数下以欧氏距离寻找临近相点进行预测不准确的不足,提出了一种改进加权零阶局域预测法。该方法用相点间关联度来确定临近相点,并且提出了一种新的加权系数计算方法,以提高预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于人工神经网络的短期风电功率预测

风力发电近年来已进入规模化发展阶段。由于风能的随机性和间歇性特征,风电场输出功率往往具有波动性,因此其功率预测对接入风电的电力系统的安全稳定运行及保证电能质量有着重要意义。基于人工神经网络模型,对风电场输出功率进行24小时短期预测,并分析该预测模型的可靠性和精确性,提出改进方法和进一步研究方向。     

风电场短期风速的多变量局域预测法

风电场短期风速的统计预测方法大都基于单变量风速时间序列,预测精度有限,而在多变量预测中选取哪些变量又没有明确的方法。针对此问题,提出一种风电场短期风速的多变量局域预测法,该方法基于相关性原则来筛选多变量时间序列数据并构造多变量相空间,在该相空间中寻找预测状态点的邻域点并建立支持向量回归(support vectorregression,SVR)模型。采用风电场实测数据进行验证,结果表明:在构造相空间时,增加彼此相关程度低的变量数目,能够明显提升局域法的搜索能力,找到与预测点相似程度更高的邻域点并将其用于模型训练;同时结合SVR模型的高维非线性拟合能力,有效地提高了短期风速预测精度。     

一种多输出模型的风电功率超短期预测方法

高精度的风电功率预测对于电力系统的安全经济运行具有重要意义。基于大量风电功率历史数据,结合相关性分析和K近邻算法,提出一种新的多输出模型的风电功率超短期多步预测方法。以东北地区2个风电场实测风电功率数据为例进行分析计算,使用国家能源局提供的风电功率实时预测评价指标对两种多步预测方式进行评价。结果表明该方法预测精度高,方法简单,具有一定的工程实用价值。     

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。     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

基点气象相似聚合的短期风电功率预测方法

提出了一种基点气象相似聚合的短期风电功率预测方法。先以风电功率预测时间点(简称基点)的气象为核心对历史气象记录按灰色关联度进行相似聚合,以突出基点气象对应的风电功率变化规律。再对聚合中历史记录的气象因素按因子分析法降维、求取独立因素,以去除原始气象因素之间的相关性、降低因果关系的非线性度。然后基于径向基神经网络建立"独立因素-风电功率"的映射关系,从而实现风电功率预测。结合实例对此方法进行了仿真,结果表明,此方法预测得到的风电功率,其准确度比基于主成分的径向基神经网络方法的高、比径向基神经网络方法的更高。     

基于神经网络的酒泉风电基地超短期风电功率预测方法

风电的随机性和波动性给电力系统调度运行带来了一定的困难,以我国首个千万kW级风电基地甘肃酒泉风电基地为例,研究了基于神经网络的酒泉风电基地超短期风电功率预测方法,并对风速和风电功率实时数据进行了分析处理。在此基础上,基于神经网络算法和贝叶斯规则进行了超短期预测建模过程分析。最后,通过预测结果对预测模型进行了验证分析,验证结果表明预测模型合理、预测精度高,该预测结果可以为调度运行人员提供参考。