基于风速功率关系带的时间序列法预测研究

在运用时间序列法预测风速及风电功率的基础上,采用分层统计法对16台风电机组的风速功率数据进行统计分析,得出基于实测数据的风速功率关系带,用于提取有效历史功率点,达到提高风电功率预测精度的目的．运用MATLAB软件编程实现预测,并选取合适的误差衡量指标进行误差分析．     

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.     

基于小波神经网络的水文时间序列预测

复杂时间序列预测是时间序列分析的主要研究内容之一,已成为一个具有重要理论和实际应用价值的热点研究领域。基于小波和神经网络组合模型,提出一种多因子小波预测模型以提高水文时间序列的预测精度。并根据不同小波函数对水文时间序列数据的适应性,提出了一种基于加权相关系数的小波函数选择准则。以国家重要水文站淮河王家坝站汛期的日流量时间序列预测为例,对各种常用小波函数进行了实验。结果发现选择得到的Haar小波和B3 spline小波函数预测精度较高,从而验证了小波函数选取准则的有效性;通过和传统单序列小波神经网络模型比较,发现提出的多因子小波神经网络模型的预测合格率在不同预见期均提高了10％以上,并且对洪水高流量方向预测合格率提高了15％。     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点．本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算．预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络．     

风电场风速预测的研究方法

介绍了国内外风速预测的主要方法及其基本原理,并分析了各自特点,通过比较各算例的精度,找出了影响预测结果的因素,并指出了改进预测方法的发展方向.     

基于经验模态分解的时间序列预测方法

时间序列预测方法广泛应用于各个领域。对非平稳非线性时间序列预测方法进行了研究,利用经验模态分解法将此类序列分解为平稳时间序列,然后选择合适的步长,应用机器学习算法对各个平稳子序列进行预测,各个子序列的预测值之和即为原序列的预测值。将该方法应用于楼宇等电能能耗数据,实验结果表明,基于经验模态分解方法的时间序列预测方法精度较高,适用于预测非线性非平稳时间序列。     

水文时间序列多时间尺度分析的小波变换法

以长江宜昌站近100年（1890～1987）年平均流量过程为例，利用Marr小波和Morlet小波变换对水文序列的多时间尺度演变特性进行了分析，研究结果表明，其年际及年代际时间尺度在时间域中分布很不均匀，具有明显的局部化特征，小波变换法分析了水文水资源系统多时间尺度是优越的。     

基于二次分解的改进时间序列超短期风速预测研究

提出了一种基于CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)-VMD (variational mode decomposition,VMD)二次分解的ARIMA (autoregressive integrated moving average model,ARIMA)-GARCH (generalized autoregressive conditional heteroskedasticity,GARCH)超短期风速预测方法。首先采用自适应噪声完整集成经验模态分解将原始风速信号分解,产生一系列特征互异的本征模函数(intrinsic mode functions,IMF)。接着计算各本征模函数的样本熵(sample entropy,SE)以量化其复杂性,对复杂性较高的分量采用变分模态分解进行二次分解。然后对各分量分别建立ARIMA模型,引入GARCH模型消除异方差特性。最后将各分量预测结果线性叠加。通过对西北某风电场风速数据进行预测,证明了所提模型的有效性,与CEEMDAN分解和ARMA (autoregressive moving average,ARMA)-GARCH相结合的模型比较,平均绝对误差减少了7. 1%。     

小波分析在短期销售预测中的应用

由于影响销售的因素很多，销售的变化显示出越来越多的不确定性，使得一般的预测方法难以奏效。该文提出一种基于小波分析的短期销售预测方法。通过小波分解，将原时间序列依尺度分解成不同层次，对各层分别进行建模预测，最后合成得到原时间序列的预测值。实例验证该方法是可行的。     

Short-term forecasting optimization algorithms for wind speed along Qinghai-Tibet railway based on different intelligent modeling theories

To protect trains against strong cross-wind along Qinghai-Tibet railway, a strong wind speed monitoring and warning system was developed. And to obtain high-precision wind speed short-term forecasting values for the system to make more accurate scheduling decision, two optimization algorithms were proposed. Using them to make calculative examples for actual wind speed time series from the 18th meteorological station, the results show that: the optimization algorithm based on wavelet analysis method and improved time series analysis method can attain high-precision multi-step forecasting values, the mean relative errors of one-step, three-step, five-step and ten-step forecasting are only 0.30%, 0.75%, 1.15% and 1.65%, respectively. The optimization algorithm based on wavelet analysis method and Kalman time series analysis method can obtain high-precision one-step forecasting values, the mean relative error of one-step forecasting is reduced by 61.67% to 0.115%. The two optimization algorithms both maintain the modeling simple character, and can attain prediction explicit equations after modeling calculation. Foundation item: Project(2006BAC07B03) supported by the National Key Technology R & D Program of China; Project(2006G040-A) supported by the Foundation of the Science and Technology Section of Ministry of Railway: Project(2008yb044) supported by the Foundation of Excellent Doctoral Dissertation of Central South University     

风速时间序列的非线性特性分析

风速特性是风电机组设计和运行的重要影响因素。利用几种经典和现代非线性信号分析方法对风电机组上实测风速数据的非线性特性进行分析研究。通过均值、方差和偏度等特征值的非对称性和突变特性判断风速长时间序列的非平稳特征,对风速序列的概率分布计算反映风速的非高斯性,利用对数功率谱和频率之间的拟合关系确定风速的非平稳特性,进一步采用双相干谱分析和希尔伯特-黄变换等现代信号分析方法对风速数据是非高斯性和非平稳性进行了分析和验证。     

基于小波神经网络的时间序列预报方法及应用

传统的时间序列预测模型在处理具有非线性特性或非平稳时间序列问题,特别是对有人参与的主动系统、社会经济系统的预测上,无法取得满意的预测效果.寻求处理这类系统的方法是人们一直努力的方向.这里以小波理论为基础,重点研究了小波网络在非线性时间序列中的建模预测方法,利用深圳综合指数数据,建立了股票指数预测模型.该模型克服了传统的时间序列预测模型仅局限于线性系统的情况,避免了BP神经网络模型固有的缺陷.仿真结果表明,该方法比神经网络预测方法的预测精度高,可以很好地应用于某些非线性时间序列的预测中.     

基于动态熵权的短期风速组合预测

为了提高风电场风速预测的准确性,将不同预测方法的权重推广到权重序列,生成权重矩阵,同时采用新的预测误差更新权重矩阵,获得所需模型.建立三种单一预测模型,统计它们十天的预测误差,获得误差序列,在此基础上,提出动态熵权法.采用熵权法确定各单一预测模型在96个预测时刻的权值,并根据新的24小时预测误差更新误差序列和权重矩阵,从而获得动态组合预测模型.结果表明,动态组合预测模型的整体误差指标比单一预测模型较小,预测精度显然增高,证明了所建模型有效且实用.     

基于Morlet小波的ET_0序列多时间尺度分析

以某地区1984~2003年逐月的参考作物腾发量(ET0)为基本资料,首先对ET0时间序列进行了Dmey小波消噪和距平处理,然后采用Morlet复小波对其进行多时间尺度分析,显示了ET0在各个时间尺度下的演变特征.结果表明,ET0具有120月、55月、40月和16月左右的主要周期变化,这4种主要周期变化主导了ET0在整个时域上的波动变化特性;并且自2003年后期以来,ET0变化的大趋势是从低于平均水平逐渐增大并会持续若干月.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

基于时间序列模型与灰色模型的组合预测模型的研究

为了能有效地提高预测模型的精度,提出了组合预测模型。本文首先利用ARIMA模型对时间序列数据进行模型的识别和拟合,然后由比较可知优化后的GM（1,1）模型拟合和预测效果好于GM（1,1）模型,最后通过赋予合理权重结合ARIMA模型和优化后的GM（1,1）模型两种方法得到ARIMA-GM的组合预测模型。预测结果表明：组合模型的预测准确性高于各个模型单独使用时的准确性,组合模型发挥了各个单一模型的优势。     

基于小波变换和BP神经网络的短期风电功率预测

风电功率预测的准确性对风电大规模接入的电力系统安全稳定运行具有重要意义。提出一种基于小波变换和BP神经网络的风电功率预测模型,通过小波变换将风电功率序列在不同频率上进行分解,对分解后的单支序列分别采用相匹配的BP神经网络进行建模和预测,最后,叠加各序列的预测结果得到完整的预测值。基于该模型的内蒙古某风电场输出功率预测算例结果表明:该模型可以有效提高预测精度。     

应用高阶统计量对风电场风速建模与仿真

研究风力发电仿真首先要研究风能特性的仿真。针对某风电场实测风速标本进行了基于高阶统计量时间序列的风速建模与仿真,不但解决了统计学风速模型不易实现且无法建立多种变化风速模型的问题,而且高阶统计量理论的应用消除了传统时间序列风速建模中把自然风完全等同于理想高斯过程所带来的误差,同时去除了测量噪声的影响。