基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

基于风速融合和NARX神经网络的短期风电功率预测

高精度的短期风电功率预测是保证电网日常调度及运行安全的关键因素。目前,国内短期风电功率预测精度普遍低于国外水平。为了提高风机短期功率预测精度,提出一种基于风速融合和NARX神经网络的预测模型。该方法对同一地点不同数据源提供的预报风速进行融合,采用NARX神经网络进行短期风电功率预测。仿真实验结果表明,所提出的短期风电功率预测方法是可行的,预测精度可提高至87.8%,与其他风电功率预测模型相比,具有更高的预测精度和更好的适应性。     

基于改进BP神经网络的风电功率预测

在双碳目标提出后,风电、太阳能等清洁能源的部署得到迅速响应。风电是一种随机性较高、不确定性较大的能源。大量风电接入电网会对电网的安全运行造成很大影响。文章通过对风电的原始值进行预处理,再由改进的前馈神经网络—BP神经网络对风电功率进行预测,改善风电对电网造成的影响。研究表明,风功率预测技术能够为电网增加收益,同时,改进的BP神经网络的预测准确度更高,具有一定的实际应用性。     

基于小波-神经网络的短期风功率预测

采用小波变换和神经网络相结合的方法对风电功率进行短期预测。利用小波变换将信号分解成不同频段的子序列,各子序列单支重构后,利用神经网络分别建模预测,最后将各子序列的预测结果叠加得到最终的功率预测值。在神经网络学习过程中采用LM算法,有效提高了收敛速度,降低了陷入局部极小值的可能。通过实例分析,验证了该方法可以较为准确地预测风电功率。     

基于遗传算法优化BP神经网络模型的风电功率预测

风电功率预测为电网规划提供重要的依据,研究风电功率预测方法对电网安全稳定运行下接纳更多的风电具有重要的意义.针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度低等问题,提出利用遗传算法对BP神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测.最后采用平均百分比误差、均方根误差、准确率和合格率评价...     

超短期风电功率预测研究现状

本文将简述风电场超短风电功率预测误差对电力供应的影响,指出影响风电场超短期风电功率预测的因素,分析风电场超短期风电功率预测研究现状。     

考虑主环境因素的GWO-SVR风电功率超短期预测

随着我国风电产业的高速发展,风电功率预测的作用也愈显突出。提高风电功率超短期预测的稳定度、速度和精度,是更加合理地利用风电的关键技术之一。在深入分析影响风机出力主要环境因素的基础上,对真实风电场的环境监测历史数据进行了降维处理,以风速、风向、温度及湿度四个主环境因素作为GWO-SVR预测模型的训练和测试集,进行预测分析。不同预测模型的对比表明,降维处理可有效降低模型的复杂程度,降低无用数据对预测结果的影响,预测结果的稳定性、速度及精度均有提高。     

基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究

为了提高风电功率预测的准确性,基于信号分解、优化算法和误差修正,提出一种ICEEMDAN-ICSSA-CKELMTCCA的风电功率预测组合模型。首先采用改进的带自适应噪声的完全集成经验模式分解（ICEEMDAN）和样本熵原理,对原始功率序列进行分解和重构,得到更适合提取特征的新序列。然后,建立包含Poly核函数、RBF核函数的组合核极限学习机（CKELM）对新的序列进行初步预测,并利用融合了Tent混沌映射、动态惯性权重和自适应t变异策略的改进混沌麻雀搜索算法（ICSSA）对其参数进行优化,提升CKELM预测性能。最后将时间卷积网络（TCN）与高效通道注意力机制（ECA）组合搭建为TCCA模型,对初步预测结果进行修正。以中国云南省某风电场的数据为例进行多组实验,结果表明该模型针对风电功率具有较高的预测精度。     

一种用于风电功率预测的双存储结构LSTM模型

文章针对风力发电特有的间歇性和不稳定性等特性,提出一种双存储神经元的长短时记忆(LSTM)模型(DuLSTM)用于风电功率预测。通过建立双存储神经元结构的LSTM模型,对周期性较强和突变性较强的风电功率分别采用不同神经元建模,有效解决受天气剧烈变化影响下的风电功率预测精度较低的问题。实验结果表明,预测误差相对LSTM模型从10.4%下降到7.0%,改进后的Du-LSTM神经网络模型在预测精度和拟合度上优于原始LSTM网络模型。     

小波变换和BP神经网络在电力负荷预测中的应用

介绍了小波变换和BP神经网络理论,根据分析所用负荷数据的特点,采用两种理论结合的方法,对电力系统中长期负荷进行预测.通过仿真验证了该方法的有效性.     

短期电力负荷在小波包分解下的径向基神经网络预测方法

针对短期电力负荷预测问题,提出一种在小波包分解下的径向基神经网络预测方法。通过小波包分析,将电力载荷及其温度变量对称地分解为低频的近似系数和高频的细节系数。针对不同的小波系数,设计径向基神经网络作为预测器,并通过试错法确定网络合适的结构。网络的训练过程中,采用滑动窗口数据选择策略减少数据样本集,采用随机梯度法更新权值、中心位置和扩展参数。预测的小波系数用于重构出最终的电力载荷值。与前馈多层神经网络的对比数值,实验结果表明,新提出的方法具有较高的预测准确性。     

基于LSTM循环神经网络算法的风电预测技术

风力发电的随机性和不可控性,给发电控制环节造成控制负担,利用不同高度的风速、风向等气候因素对风力发电数据进行准确预测,有利于制定合理的调度计划.本文使用LSTM循环神经网络算法,实现了单变量预测未来一个时间点、多变量预测未来一个时间点的风电预测实例验证,实验结果发现算法在两种情况下均保持着高的预测精度.且由于单变量和多...     

基于情感神经网络的风电功率预测

风力发电功率预测对于风能并网具有重要意义.采用一种可用于复杂系统和模式建模的新型神经网络——情感神经网络,对风力发电功率进行预测.为防止ENN在训练时陷入局部最优解,提出采用遗传算法对其进行训练.采用预测误差的均方根和标准差衡量预测准确性、稳定性,对ENN性能进行了检验.结果表明,相比于人工神经网络、支持向量机和自滑动回归模型,ENN能够获得更高的预测准确率和预测可靠性.     

一种风电功率的复合预测

本文以东南沿海地区某风力发电场数据为背景,在分析原始数据特点后,确定了相应的缺失数据的填补方法以及数据的预分解方法。之后针对数据预处理结果建立了基于时间序列和优化的BP神经网络复合预测模型,并给出风电功率预测结果。最后比较了复合模型与其它模型预测的均方误差以说明复合预测模型在提高预测精度方面的优势。     

基于小波PCA与BP神经网络的人脸识别算法

特征提取和分类器设计是人脸识别算法中的两个关键问题。提出一种基于二次小波变换、PCA算法与BP神经网络的人脸识别算法。该算法采用二次小波变换与PCA相结合的算法提取人脸图像的主要特征,并运用加入动量项的改进BP神经网络算法进行人脸图像分类识别。在MATLAB环境下,利用ORL人脸图像数据库进行了仿真实验,实验结果表明,该算法实现简单、识别速度快、识别率较高。     

深度神经网络在风电功率预测中的应用研究

风电功率预测对于电网建设具有重要意义。文中提出一种基于深度神经网络的风电功率预测方法,该方法充分考虑了影响风电功率的若干因素,如风速、风向、空气密度和季节,通过深度神经网络训练、学习给出最佳的功率预测值。通过深度神经网络学习的特征能够更为有效地反映实际情况,因此提高了风电功率预测的稳健性。基于内蒙古某风电厂的实测数据进行了验证实验,结果表明了提出方法的有效性。     

基于小波分析与神经网络的人脸检测方法

本文设计了一种结合小波分析与神经网络优点的人脸检测方法.该方法主要包括两个阶段.在训练阶段首先借鉴图形学中的背景生成方法对AR人脸数据库中的人脸样本进行背景叠加;然后对经过预处理的训练样本进行小波分解,并将得到的小波系数输入精心设计的神经网络进行训练.在人脸检测阶段,通过将缩放后的图像的各个区域输入神经网络,由神经网络判断输入区域中是否包含人脸:在得到检测结果后,本文通过基于规则的方法以及基于SUSAN的方法进行人脸区域验证取舍与合并;最后通过实验结果的分析比较可以发现本文的方法不仅可以实现人脸区域的快速检测,而且不受光照变化以及噪声的影响.     

小波变换和神经网络在车牌识别中的应用

介绍了车牌识别的背景、意义和一般实现过程，阐述了小波变换和神经网络的基本理论，详细地分析和论述了小波变换和神经网络在车牌识别四个核心阶段（即图像预处理、车牌定位、字符分割和字符识别）中的应用，最后总结并对两者在车牌识别技术中的应用前景进行了展望。     

基于小波包分析和Elman神经网的故障诊断方法研究

由非线性电力电子装置组成的电路发生故障时,故障特征信息不易提取和识别。对此提出一种基于小波包分析和Elman神经网的电力电子装置故障诊断的方法,先运用小波包分析法提取电路在不同故障状态下电压及电流信号的特征信息,然后对数据进行归一化处理并作为Elman神经网的输入,由具有智能学习功能的神经元故障分类器完成故障识别和定位。以12脉冲整流电路为例,在Matlab软件下建立电路模型进行仿真实验,结果表明该方法能快速、准确的完成故障诊断。