基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义.根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测.由嵌入时间窗和、的关系,确定了和的多组可行匹配,并找出一个最佳匹配进行相空间重构.在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服"伪邻近点"的影响,提高了预测精度.预测模型采用了一阶局域预测模型和BP神经网络两种模型.算例分析结果验证了所提出方法的可行性和有效性.     

基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义。根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测。由嵌入时间窗 和 、 的关系,确定了 和 的多组可行匹配,并找出一个最佳匹配进行相空间重构。在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服“伪邻近点”的影响,提高了预测精度。预测模型采用了一阶局域预测模型和BP神经网络两种模型。算例分析结果验证了所提出方法的可行性和有效性。     

基于小波过程神经网络的短期风速预测

针对风速序列非线性和非平稳性的随机性特点,提出了基于小波过程神经元网络的短期风速预测方法.首先利用相空间重构理论,计算出风速时序的最佳嵌入维数作为网络的输入层节点数,根据小波神经网络的经验公式来选取网络隐含层的节点数初始值,通过调整参数使网络误差达到最小值,得到合适的隐层节点数,并给出相应的学习算法.算例仿真结果表明所提预测方法的可行性,运用本方法与时序ARMA模型对比,其预测结果的精度明显提高.     

相空间重构和混沌神经网络融合的短期负荷预测研究

该文首次提出基于PSRT和ICNN融合的电力系统STLF模型，所构造的ICNN预测模型对负荷初值和混沌轨迹的游动性有很强的敏感性，可表征复杂的动力学行为和具有全局寻优的性能，以PSRT确定ICNN输入维数，训练样本集按预测相点步进动态相轨迹和最近邻点集原理形成的，可增强预测模型对混沌动力学的联想和泛化推理能力；文中用遗传算法作为ICNN的学习算法，对两类不同负荷系统日、周预测仿真测试，证实所研究的预测模型能有效、稳定的提高预测精度，且有较高的适应能力，为将基于PSRT和ICNN融合的电力系统STLF方法用于实际运行系统在理论上取得了有效的进展。     

基于相空间重构理论和优化递归神经网络结合的短期负荷预测方法

根据电力负荷序列的混沌特性,提出以相空间重构理论和优化递归神经网络结合的电力系统短期负荷预测方法,以相空间重构理论确定递归神经网络输入维数;训练样本集由对应预测相点的最近邻相点集构成,并按预测相点步进动态相轨迹生成;优化递归神经网络是以双重遗传算法来确定递归神经网络的隐层结构和权值,总体寻优性可抑制伪近邻点的影响,保证提高预测精度及其稳定性。对两类不同负荷系统日、周预测仿真测试,证实其比传统神经网络预测模型能有效地提高预测精度0.8%。因此,所研究的预测模型和方法在实际预测领域有较高的实用价值。     

相空间重构的极端学习机短期风速预测模型

对风速进行快速、准确的预测,可以有效地减小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.根据风速具有混沌特性,提出一种相空间重构的极端学习机(extreme learningmachine,ELM)的短期风速预测模型,通过确定延迟时间和嵌入维数,对样本空间进行重构,使新的样本更能反映风速变化特性,在此基础上运用ELM进行短期风速预测.与传统的预测模型相比,该方法具有学习速度快、泛化性能好等优点,为风速预测提供了新方法.     

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。     

基于相空间重构和Chebyshev正交基神经网络的短期负荷预测

电力系统短期负荷数据具有明显的混沌特性。在讲述混沌中相空间重构的相关理论后,计算了算例中需要用到的延迟时间和嵌入维数。根据正交多项式优越的泛化和预测性能,在简单介绍Chebyshev正交基函数后,构建了单输入Chebyshev正交基神经网络预测模型。由于重构后的相空间中每个相点的分量个数不止一个,故所构建的单输入预测模型无法满足要求。为此,在单输入的基础上,设计了基于相空间重构的多输入Chebyshev正交基神经网络动态预测模型。将该模型运用到短期负荷预测中,取得了很高的精度和很好的预测效果。     

基于相空间重构和LSSVM的短期风速预测

为了提高短期风速预测精度,提出了一种基于最小二乘支持向量机的短期风速预测方法.首先采用复自相关法和互信息法计算延迟时间,采用伪最邻近点法和 Cao式法计算嵌入维数,使延迟时间和嵌入维数取值更合理.其次运用小数据量法计算混沌时间序列的最大 Lyapunov指数,G-P算法计算时间序列的关联维数,用以证明风速序列为混沌时间序列并确定支持向量.然后采用扩展记忆粒子群对最小二乘支持向量机的惩罚参数和核函数参数进行优化,建立 PSOEM-LSSVM 的短期风速预测模型.最后与其他几种风速预测模型对比,仿真结果表     

基于PSO-BSNN的短期风速预测

考虑到风的随机性和波动性,提出一种基于粒子群(PSO)优化B样条神经网络(BSNN)的短期风速预测方法。利用相空间重构方法确定BSNN的输入空间向量,BSNN可以灵活地改变对输入空间的划分和对隐层基函数的定义,对任意的网络输入,隐层基函数的输出只有少数非零,使网络输出简单,收敛速度快。但在传统的BSNN中,对输入空间节点位置的均匀划分是粗糙的,预测结果容易陷入局部极小而影响预测精度。粒子群优化算法是一种智能搜索方法,它具有较强的搜索能力并且容易实现,利用PSO优化BSNN输入空间的节点位置划分,可避免BSNN陷入局部极小并提高预测精度。仿真结果表明,基于PSO-BSNN的预测模型比传统的BSNN和BPNN预测模型具有更高的预测精度。     

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。     

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于SVM的时间序列短期风速预测

短期风速预测对风力发电系统的并网运行具有重要意义。对风速进行较准确预测,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。介绍了支持向量机(SVM)理论的新应用,讨论支持向量机理论用于风速预测的具体过程;建立基于支持向量机风电场短期风速预测模型,此模型仅以历史风速数据为输入,简单、高效,不需要其他额外的气象数据。与改进模糊层次分析法的组合模型、ARMA-ARCH模型、EMD-ARMA模型、双自回归滑动平均模型的预测结果进行比较,证实支持向量机理论的应用是有效的,可以用于风速的短期预测和发电量预测。     

基于模糊神经网络的风速预测研究

针对风速的不确定性给保障风力可靠性发电带来很大困难的问题,采用模糊神经网络的方法对大型风电场的风速进行预测,利用T-S模糊系统和神经网络的知识构建模糊神经网络预测模型,将风电场风电机组附近的气温、气压、空气湿度和风向等环境参教与风速预测模型的输入,对提前4小时和提前一天的风速进行预测,仿真结果表明该方法具有很高的精度.     

基于相空间重构和高斯过程回归的短期负荷预测

基于负荷时间序列的混沌特性,提出了一种结合相空间重构(PSR)和高斯过程回归(GPR)的短期负荷预测方法。首先采用C-C方法确定时间序列的延迟时间和嵌入维度,分别建立单变量和多变量的相空间重构模型。然后,分别运用单一与组合核函数的GP模型对负荷样本进行训练,根据最优超参数对24 h的日负荷进行预测。最后将预测结果与支持向量机模型以及多变量GP模型进行比较。结果显示,多变量组合核函数GP模型取得了更好的预测结果,验证了所提出的基于PSR和GPR的预测方法的可行性。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。