基于神经网络的风电场风速时间序列预测研究

在电力市场中,风电所占电网的比例越来越大.但由于风的波动及其不可控性,风电场的发电量也在随机变化,所以很有必要对其产能进行预测.风速是影响产能最直接最根本的因素.本文利用时间序列神经网络对风电场的风速提前一小时进行预测,为电力调度提供参考,并为更长时间(半天,一天或两天)的风速预测提供理论基础.     

一种新的风电场风速时间序列建模及 超短期预测方法

提出了一种新的风速时间序列建模方法。首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测。以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

基于序列到序列和注意力机制的超短期风速预测

风速具有较大的波动性,给风速预测带来较大难度.为解决以上问题,该文提出基于序列到序列和注意力机制的深度学习模型来进行超短期风速预测,首先采用1维卷积神经网络和门控循环单元对风速序列数据做编码处理,得到语义向量,然后使用注意力机制和门控循环单元对语义向量做动态解码,最后输出预测值,通过反向传播算法和梯度下降算法训练模型参...     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

基于经验模式分解和时间序列分析的风电场风速预测

针对风速时间序列的非线性和非平稳性,该文提出将经验模式分解(Empirical Mode Decomposition,EMD)和时间序列分析方法相结合对风电场风速进行预测,以探寻更为准确有效地风速预测方法.首先,运用EMD对原始风速序列进行预处理,将其自适应地分解成一系列不同尺度的模式分量,这样能够突出原始风速时间序列不同的局部特征信息;然后,分析各分量,根据其变化规律,采用时间序列分析法分别建立相应的模型并进行预测,这样既简化了建立的模型又降低了预测的成本;最后将各分量的预测值叠加得到风速序列的预测值.算例结果表明,该方法大幅提高了风速预测精度.     

风速时间序列非线性特征分析

针对时间序列风速确定性与随机性相结合的复杂非线性特征,基于相空间重构理论和最大Lyapunov指数对其进行混沌与分形特征分析。首先,以经典Lorenz混沌系统及非混沌完全随机白噪声时间序列为验证算例,通过相空间重构和最大Lyapunov指数法判断以上2种非线性时间序列的混沌特征,分别从定性和定量的角度验证了所提方法的可行性;其次,对美国风能研究中心实测风速数据进行相空间重构,计算其最大Lyapunov指数并估算其可预测时间,最后采用G-P算法分析了实测风速时间序列的饱和关联维数。结果表明:相空间重构理论及最大Lyapunov指数法均可作为判断混沌特征的重要方法,时间序列风速具有明显的混沌分形特征及短期可预测性。     

基于MRMR的ORELM的短期风速预测

由于风速具有间歇性、随机性及波动性等特点,导致大规模风电并网对电力系统的安全、稳定运行带来严重影响。文章提出一种基于最大相关最小冗余(Maximum Correlation Minimum Redundancy,MRMR)的离群鲁棒极限学习机(Outlier Robust Extreme Learning Machine,ORELM)的短期风速预测新方法。首先分析影响风速的属性特征,采用MRMR算法来衡量不同风速属性特征与风速的相关性,进而确定风速属性特征的输入维度;然后对极限学习机(Extreme Learning Machine,ELM)进行优化,构建ORELM风速预测模型。最后以美国某大型风电场实测数据为依据进行风速预测,仿真结果表明该方法具有较高的预测精度。     

采用时间序列预测风电场出力

基于时间序列的方法,采用自回归滑动平均(ARMA)模型进行短期风速预测;考虑风力发电机组排列布置时尾流效应的影响、风电场址地面粗糙程度、空气密度、风向变化以及不同型号风机功率特性的差异等因素,采用Jasen尾流模型建立了大型风电场的综合模型。结果表明,合理的风电场布置方案有利于减小尾流效应的影响,从而提高风电场出力。     

分段分形插值在风速时间序列中的应用

为提高分形插值的准确性,提出分段分形插值,建立多个迭代函数系。为验证分段分形插值准确性,采用全域随机湍流风模拟程序Turb Sim对SMOOTH和Kaimal两种湍流风谱模型进行风场仿真,并随机选取点作为初始插值点,对初始点进行分段分形插值。结果表明:分段分形插值能有效提高垂直比例因子选取的准确性,相同时间段内,分段分形插值平均标准误差低于传统非分段分形插值,30 s时,分段分形差值的平均标准误差为0. 910,而当时间段为50 s时,平均标准误差仅为0. 695;分段节点作为初始插值点被使用了两次,间接地增加了初始点个数,提高了分形插值精度;分段分形插值降低了生成点个数,便于分析数据局部波动信息。     

基于风速时间序列分形与传统插值对比研究

风速时间序列具有波动强烈、数学上处处连续、处处不可导特征,为解决风速时间序列的插值问题及提高其精度,采用数学分形学理论的分形插值方法,基于Kaimal和NWTCUP湍流风谱模型进行风场模拟。从得到的风速时间序列中随机抽取数据作为初始点,将分形插值方法与三次样条和Hermite传统插值方法进行对比。结果表明:分形插值方法不仅具有保持原始风速时间序列所具有的本质和内在联系,如自相似性、长程相关性和标度不变性等非线性动力学系统特征信息,而且比三次样条和Hermite传统插值方法更适合剧烈震荡的风速时间序列的插值。     

风速时间序列混沌判定方法比较研究

混沌识别是对非线性时间序列进行混沌预测的前提。针对时间序列风速确定性与随机性相结合的复杂非线性特征,研究了不同的混沌识别方法,并对风速时间序列进行混沌特征识别。应用随机噪声、周期运动及经典混沌系统的时间序列对所选方法进行可靠性验证。对美国国家风能研究中心M2测风塔实测时间序列风速数据进行非线性混沌特征识别。结果表明:风速时间序列具有明显的混沌特征;各风速时间序列表现出不同程度的混沌特征;各混沌识别方法对风速时间序列混沌特征的表达形式不同,互为补充,相互验证。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于相似性样本的LSSVM短期风速和风功率预测研究

风速具有较大的随机波动性,影响电网的稳定性,良好的风速预测是解决风电并网问题的关键。为了提高风速预测的精确性,首先对风速数据进行相似性样本的提取,采用分段线性化的搜索方法,求出各小段风速的斜率与长度所占的比重,继而找出相似性距离最小的曲线簇。并以此作为训练样本,采用最小二乘支持向量机（LSSVM）模型对风速进行预测。预测结果表明,采用风速的相似曲线簇进行LSSVM模型训练所得的风速和风电功率预测结果更优。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。