风电场风速短期多步预测改进算法

对风电场风速实现较准确的预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。文章运用时间序列法对我国某风电场测风站实测风速建立时序ARIMA(11,1,0)模型,并进行风速预测。针对模型在超前1步预测时出现的延时问题,引入卡尔曼预测法加以改进,提出卡尔曼时间序列法。针对时序模型超前多步预测精度低的问题,提出滚动式时间序列法。对提出的两种改进方法进行实例验证,结果表明：①卡尔曼时间序列法不仅改善了预测延时问题,而且把超前1步预测的平均绝对相对误差从6.49％降低为3.19％;②滚动式时间序列法改善了多步预测的精度问题,模型超前3、5、10步预测的平均绝对相对误差分别仅为7.01％,7.63％,8.42％。两种改进方法都没有明显增加时间序列法的建模计算量。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

多频率尺度下的风电场短期风速预测融合算法

提出了一种基于多分辨率分析下的短期风速预测方法.利用小波分解将原始风速序列分解成低频信号分量和高频信号分量,将低频信号分量作为时间序列模型的输入,将高频信号分量作为最小二乘支持向量机的输入,输出未来时间段的各分量预测值.最后将各分量的预测值重构为风速序列的预测值.以内蒙古风电场为例进行仿真,结果表明文中方法显著提高了超前风速预测的精度.     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于小波包分解和改进差分算法的神经网络短期风速预测方法

风速预测在风电场的智能管理和安全并网中起着至关重要的作用,针对风速预测固有的波动性、间歇性和非线性等特点,以及常规BP神经网络和差分算法神经网络均存在容易陷入局部最优导致收敛过早、泛化能力不足等缺陷,提出一种综合WPD和IDE算法的短期风速预测神经网络方法。该方法首先利用WPD将风速的时间序列分解成多种不同频率的子序列,然后采用IDE算法优化后的神经网络对小波包分解后的每个不同频率的子序列进行单步预测,最后将预测后的各个子序列进行叠加,得出最终预测结果。为验证所提方法的有效性,将其分别与采用混合小波分解的BP神经网络风速预测方法和混合小波分解的差分算法风速预测神经网络方法进行对比,对某地区的实际风速数据进行实验仿真,结果表明,所提方法的预测精度明显优于其他算法。     

基于小波变换的短期风速预测综合模型

针对风速序列具有非平稳性、非线性、异方差性的特点,首先利用db3小波对原始风速序列进行多分辨率分析,并对其系数进行单支重构,得到表征风速序列内在特性不同频段上的概貌风速与细节风速;其次对不同频段上的风速序列建立时间序列主模型,采用LM检验法分析所建模型的残差序列,提出用ARCH模型和GARCH模型进行改进,更贴近实际地反应了风速变化的规律;最后通过实例验证该文方法能够有效提高预测精度。     

基于小波分解的神经网络组合风速预测

短期风速预测对于风电机组一次调频有着重要意义,而风速的随机性和波动性会直接影响到风速预测的精度.针对风速的上述特点提出了一种基于小波分解的神经网络组合风速预测方法.首先通过小波分解将不稳定的风速信号进行分解,从而得到不同频率的分量并进行重构;然后对高频分量分别采用Elman、BP神经网络预测并选取合适的权重比进行加权平...     

基于小波分析和时间序列的风速预测

由于风速具备很好的时序性和随机性,因此选用时间序列的ARMA（p,g）模型对风速进行预测。为了进一步提高预测精度,先利用小波多分辨分解对全风速进行高低频分解,提取出低频平缓信号,然后对平缓后的数据进行时间序列预测。并以某风电场实测风速为例,实际算例表明：该组合模型可以有效提高风速预测精度,具有一定实用性。     

风电场短期风速预测探讨

针对我国在风电场短期风速预测的研究还不能达到令人满意程度的现状，通过分析国外在风电场短期风速预测领域的研究情况，结合实例提出并详细阐述了时间序列法在这一领域中的应用，结果表明所建模型具有一定的实用价值。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,可以有效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。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

融合两阶段分解与 iJaya-ELM 的短期风速预测模型

准确的预测风速对于风电场的安全运行和高效发电具有重要意义。 针对已有文献在风速预测问题中采用的单一分解 策略存在固有缺陷、优化预测模型效果不稳定等问题,提出了一种融合两阶段分解与 iJaya-ELM 的混合预测模型。 首先,对原 始风速序列进行 ICEEMDAN 分解,得到 12 个分量后基于排列熵熵值重构为高频项、中频项与低频项;随后对高频项进行奇异 谱分解滤去序列噪声;提出一种改进的 Jaya 算法 iJaya,利用 iJaya 算法获取极限学习机 ELM 的最优连接权值与阈值,最后将各 个分量的预测结果线性集成得到最终结果。 以我国甘肃地区风电场风速数据进行模型验证,并利用新疆地区数据集测试其鲁 棒性与通用性。 实验结果表明,iJaya 算法具有较强的寻优精度与稳定性,两阶段分解能够深度挖掘风速序列的特征;该混合模 型能够有效提升风速预测精度,平均绝对误差与均方误差分别为 0. 067 9 和 0. 134 5。     

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。     

基于小波分解和微分进化支持向量机的风电场风速预测

针对因风速具有很强的波动性和间歇性而导致其难以预测的问题,提出了一种新的基于小波分解和微分进化支持向量机的预测方法,通过小波变换对风速数据进行多分辨率分解,并以微分进化优化的支持向量机对各分解层的风速分别建立预测模型,然后将各模型的预测结果叠加后作为最终的预测值。用某风电场实测风速数据进行仿真预测,结果表明,所提方法与交叉验证支持向量机和BP神经网络等常用的预测方法相比,具有更高的预测精度。     

基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究

准确的风速预测对风电场实现平稳出力具有重要意义。为提高短期风速预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、套索算法(Least Absolute Shrinkage and Selection Operator, LASSO)、遗传算法(Genetic Algorithm, GA)、广义回归神经网络(General Regression Neural Network, GRNN)和长短期记忆模型(Long Short-Term Memory,LSTM)的短期风速变权组合预测模型(Variable Weighted Hybrid Model, VWHM)。首先运用集合经验模态分解技术,将原始风速时间序列分解成多个不同的子序列。然后运用套索算法对各个子序列的数据变量进行筛选,提取代表性变量作为预测输入。最后利用GA的全局优化能力,对由GRNN和LSTM构成的组合预测模型的权重系数进行移动样本自适应变权求解,并加权得到最终预测结果。仿真结果表明,所提的变权组合模型比单一模型以及传统组合模型具有更高的预测精度,且在风速预测中具有优越性。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

基于相空间重构的神经网络短期风电预测模型

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。通过对风电场发电功率的时间序列进行分析,表明该序列具有混沌属性,并在此基础上,利用相空间重构理论建立了关于风力发电功率的RBF神经网络与BP神经网络预测模型,并进行了实际预测。通过对结果进行对比分析,显示该模型可以得到较高的短期发电功率预测精度,更好地满足实际现场需要。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于风速预测的最大风能追踪控制系统仿真

为了使交流励磁变速恒频风力发电系统在无需设置风速计的情况下,双馈电机实现最大风能跟踪的目的,提出了一种新的基于神经网络的无风速检测方案。通过利用高斯径向基神经网络预测为最大风能追踪提供了一个准确的风速数据,从而准确获取最大功率点下对应的电机转子转速,以减少系统的损耗和成本,提高系统的可靠性。本文针对3.6MW风力发电系统的数学模型,建立了基于定子磁链定向矢量控制的系统仿真模型。结合风速预估和有功功率、无功功率的解耦控制实现了最大风能跟踪。