共查询到18条相似文献,搜索用时 234 毫秒
1.
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. 相似文献
2.
3.
文章探索了小波分解、混沌时间序列相空间重构和Volterra自适应滤波器在电力日高峰负荷预测方面的应用.利用小波多分辨率分析的特点,对实际日高峰负荷数据序列进行小波分解,分别对每一个小波尺度进行相空间重构,并利用Volterra滤波器进行多步预测,最后将小波尺度空间进行重构得到预测结果. 相似文献
4.
建立一种太阳逐日辐射能量预测的小波过程神经网络等效模型。将神经网络与傅里叶变换以及小波多尺度分解相结合,构建了太阳逐日曝辐量的短期预测和中长期预测问题的两种实时在线预测模型,以提高预测精度。将太阳逐日辐射能量混沌时间序列进行相空间重构,其维数作为网络输入数据的傅里叶变换长度,以得到的傅里叶变换系数作为神经网络的输入,避免输入随意性导致预测结果不一定是其解空间的表达问题;通过小波多尺度分解使太阳逐日曝辐量在一定尺度上表现出准平稳性,以此确定神经网络隐层节点数,以减小试凑性造成的误差。将日照百分比、云量与太阳逐日曝辐量的时间序列同时作为输入量,对两种模型进行学习训练和预测分析。仿真结果表明,2种预测模型可在不同的时间尺度上有效地预测太阳逐日曝辐量,且能有效地实时在线递推预测太阳逐日辐射能量。 相似文献
5.
为了合理利用风电,提高电网的稳定性、经济性,需要对风电的输出功率进行有效预测;然而,单一模型的预测结果精度不高。提出一种基于Kalman滤波相空间重构的Elman神经网络短期风速组合预测模型。该模型采用Kalman滤波算法对风速进行滤波处理,通过相空间重构来确定风速序列的延时时间和嵌入维数;并利用Elman神经网络建立了预测模型。仿真实验表明,该模型预测精度有了明显提高。 相似文献
6.
7.
8.
针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。首先,基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用C-C法和虚假邻近点(false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数(radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。 相似文献
9.
为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。 相似文献
10.
《广东电力》2017,(4)
针对浅层学习模型对风速预测存在较大误差的缺陷,提出一种基于小波变换和深度信念网络(wavelet based deep belief netw ork,WDBN)的风速预测模型。首先利用小波变换将原始风速序列分解成不同的频率序列;然后针对各频率序列,根据逐层训练法则设计深度信念网络模型;最后采用小波反变换对不同频率序列重构,得出最终的风速预测结果。选用某风电场2013年1月和7月的数据对WDBN模型的风速预测进行仿真分析,并与自回归滑动平均法、反向传播神经网络法、Morlet小波神经网络法的预测结果进行对比,结果表明WDBN模型可以更好地学习风速所具有的非线性和非平稳特征,具有较高的预测精度。 相似文献
11.
12.
为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。 相似文献
13.
14.
由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。 相似文献
15.
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。 相似文献
16.
针对复杂环境下输电线路山火的影响因素,提出了基于经验模态分解(empirical mode decomposition,EMD)与极端学习机(extreme learning machine,ELM)的输电线路山火预测模型。首先利用小波去噪对采集的风速时间序列进行噪声分析,根据序列的不同进行归类重构,产生新的风速时间序列;然后利用经验模态分解将输电线路山火成因分解为一系列具有不同特征尺度的子序列;接着利用交叉验证法和重构相空间法确定学习机的各种参数和输入维数;再利用极端学习机输电线路山火进行建模预测分析。仿真结果表明基于经验模态分解与极端学习机的输电线路山火组合预测模型可以有效预测24 h之内的山火蔓延速度,为实现输电线路山火在线较高精度的预测提供了可能。 相似文献
17.