一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

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。     

结合交叉局部异常因子和注意力机制的 超短期风电功率预测方法

风电样本数据的质量和风功率预测模型的结构直接影响风电功率预测的精度,提出一种结合交叉局部异常因子(Local Outlier Factor, LOF)和注意力机制的高精度超短期风电功率预测方法。通过交叉LOF算法进行分钟级的风电数据异常孤立点检测,有效提高了样本数据的质量。通过增加注意力机制避免长短期记忆(Long Short-Term Memory, LSTM)算法在编解码过程中固定长度向量导致的数据特性损失问题,从而更有效利用历史数据的特征,提高风功率预测的精度。最后,对真实风场实测数据进行实验分析,验证了所述方法的可行性与准确性。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

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。     

基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率...     

基于ECBO-VMD-WKELM的风电功率超短期多步预测

提出一种全新的集合强化物体碰撞优化算法(enhanced colliding bodies optimization,ECBO)、变分模态分解(variational mode decomposition,VMD)、小波核极限学习机(wavelet kernel extreme learning machine,WKE...     

基于PSO-GA-SVM 的风电功率短期预测

风电功率精确预测是电力系统稳定运行的必要条件之一。文章以中国某一地区收集到的风速数据为基础,通过一定的分析方法建立了SVM风电功率预测模型,采用以粒子群为优化算法的PSO-GA混合算法来优化SVM预测模型。通过分析SVM、GA-SVM、PSO-GA-SVM三种模型的预测结果,并与实验数据相比较,仿真表明PSO-GASVM模型预测精度更高,PAO-GA混合算法优化效果更好。     

基于数据驱动的超短期风电功率预测综述

以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:"由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移",并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。     

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。     

缺少气象数据场景下的超短期风电预测

本文对单个风力发电序列进行建模,并提出一种基于小波分解、特征提取和XGBoost+逻辑回归LR(logis?tic regression)且不依赖气象数据风力发电预测模型.提出利用小波分解提取原始风电序列的平均分量和高频分量;分别对平均分量和高频分量进行建模;为了提高模型对数据特征的敏感性,提出了一种将手动提取的特征和...     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode decomposition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimization algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

基于局域波分解及时间序列的风电场风速预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地减轻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。本文基于局域波分解和时间序列分析的方法,对风速预测进行了研究,并提出了局域波分解．时间序列分析的综合预测方法。通过对实际测量统计的风速时间序列进行局域波分解,使之分解成为有限个基本模式分量和一个趋势分量,并对分解出的各个分量用时间序列分析的方法进行预测,最后叠加得到预测的风速信号。由于局域波分解可以将一个非平稳的风速信号序列分解成有限个相对平稳的风速信号序列,所以此方法能够有效地提高预测精度。     

含高比例风光新能源电网的多目标无功优化算法

为适应新能源大量接入电网的趋势,基于不同时刻的风速、光照强度、温度等气象条件信息,评估出风光新能源的无功调节容量,搭建了含高比例风光新能源参与调控的电网多目标无功优化模型。为快速获得电网中变压器分接头档位调节、无功补偿设备投切、传统发电机组电压调节以及风光的无功输出等控制措施的帕累托最优解集,采用寻优性能高效的多目标樽海鞘群算法(multi-objective salp swarm algorithm,MSSA)进行无功优化求解。为更客观找出电网线损、电压偏差、静态电压稳定裕度等不同目标之间的折中解,采用改进的理想点法进行多目标最优解集决策。最后,利用扩展的IEEE标准9节点和39节点算例进行仿真分析,并引入传统多目标智能优化算法来进行比较验证。仿真结果表明:与其他2种传统多目标智能优化算法相比,所提算法获得的帕累托前沿分布更广、更均匀;利用改进理想点法进行决策之后,可有效降低电网的线损和电压偏差,同时提高了电网的静态电压稳定裕度。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

基于改进遗传算法的电力系统多目标无功优化

针对遗传算法在求解多目标无功优化方面存在的缺陷,本文提出了基于蜜蜂双种群进化型云自适应遗传算法(double bee population evolutionary cloud adaptive genetic algorithm,BEPE-CAGA)。该算法根据蜜蜂双种群进化思想,引入了雄峰通过竞争参与交叉及雄峰与决定双峰群优秀遗传基因的蜂后交叉的策略,并结合正态云模型云滴的随机性和稳定倾向性特点对其进行改进,改善了算法陷入早熟的问题,提高了算法的收敛速度。建立了以有功网损最小、电压偏差最小及电压稳定裕度最大为目标的无功优化数学模型,并以BEPE-CAGA算法求解该模型。最后通过对IEEE14和IEEE30节点系统进行算例仿真,仿真结果验证了本文所提算法的有效性,同时也证明了该算法在收敛速度和优化效果上具有比基本GA算法和CAGA算法更佳的性能。     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。     

基于机器学习的混合模型在电力负荷预测中的应用

从电力负荷的变化特点入手,提出基于机器学习的混合模型,该模型采用具有自适应噪声的完整集合经验模式分解技术对电力负荷进行分解,剔除高频噪声影响后,对负荷序列进行重构,采用多目标花授粉优化算法对极限学习机进行优化,分析认为该模型可提高极限学习机预测的准确性和稳定性,结合江苏省月度负荷预测案例验证了模型的有效性.     

基于特征加权Stacking集成学习的净负荷预测方法

当前用户侧接入大量新能源,通常采用实际电力负荷减去新能源发电功率后的负荷(称为“净负荷”)进行预测研究。由于新能源发电随机性强,净负荷具有不确定性强、规律性差的特点,难以准确预测。为此,提出了一种基于特征加权改进的Stacking集成学习净负荷预测方法。首先,通过对不同单一预测模型的预测性能和差异性的分析,优选出长短期记忆网络、Elman神经网络、随机森林树和最小二乘支持向量机作为Stacking集成的学习器。其次,针对传统Stacking集成预测由于忽略学习器之间差异性所导致的预测能力不足问题,根据预测精度对不同学习器进行特征加权,以修正各学习器所带来的整体预测误差。最后,基于德国TENNET区域实测数据进行算例分析,结果表明,相比于单一预测模型、传统Stacking集成预测方法,基于特征加权Stacking集成学习的净负荷预测方法在晴天、多云、多雨、多雪等天气情况下均具有更高的预测精度。