基于激光测风雷达及SSA-ELM的风电场短期风速预测

基于激光测风雷达数据,针对风速的非线性特性,提出麻雀搜索算法（sparrow search algorithm, SSA）优化极限学习机（extreme learning machine,ELM）进行风速预测。搭建预测模型,根据预测风速对风电机组进行预变桨,分析风电机组叶根矩载荷。采用新疆某风电场激光测风雷达数据仿真并与其他预测模型分析对比。结果表明,麻雀算法优化的极限学习机可精确预测风速,且显著提升极限学习机预测速度及不同风速条件下的动态性能;预变桨后,风电机组叶根矩载荷大幅减小,提升了桨叶使用寿命及运行安全性。     

双碳目标下基于分解-集成的月度煤电需求预测研究

月度煤电需求预测对于指导双碳目标下煤电发展及保障能源供应具有重要意义,但是月度煤电需求变化具有非平稳性、非线性的特点。为准确预测未来火电需求的变化,基于分解-集成思想,改进奇异谱分析（ISSA）将原始序列进行分解重构,得到多个不同频率的子序列,应用麻雀搜索算法（SSA）改进的极限学习机（ELM）模型预测各子序列,叠加后得到最终煤电需求预测值。以江苏省煤电需求为例,将所提方法与基于集合经验模态分解（EMD）的EMD-SSA-ELM模型和未经分解的SSA-ELM模型进行对比,结果表明所提方法能有效去除噪声分量的影响,误差值最小,平均绝对百分比误差相较于EMD-SSA-ELM与SSA-ELM分别降低8.0%和17.6%,预测精度更高,适用性更好。     

基于WOA-ELM的电力负荷预测模型研究

电力负荷预测是保障电力系统运行的关键技术。针对电力负荷受时间、温度、湿度、风速和电力需求等因素影响导致预测精度较差的问题,提出利用鲸鱼优化算法对极限学习机的连接权重和隐含层阈值进行优化,构建基于WOA-ELM的电力负荷预测模型。结合实例分析,与其他优化过的机器学习模型（GA-BP模型、PSO-SVM模型）及传统的ELM模型进行对比,结果验证了WOA-ELM模型的有效性,在电力负荷预测方面有较高的精度及较快的训练速度。     

改进鲸鱼算法优化的多维度深度极限学习机短期负荷预测

电力系统短期负荷预测的准确性是影响电力系统运行安全的关键因素。以更精准进行短期负荷预测为目标，提出了一种基于改进鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）优化的多维度深度极限学习机（Deep Extreme Learning Machine,DELM）短期负荷预测方法。首先，针对传统鲸鱼算法（Whale Optimization Algorithm,WOA）初始种群分布不够广泛的问题，引入Tent混沌映射对初始鲸鱼种群初始化；其次针对极限学习机模型（Extreme Learning Machine,ELM）数据深层隐藏的信息学习能力差的问题，采用深度极限学习机作为基础负荷预测模型，并以改进鲸鱼算法对其进行参数寻优；最后考虑到温度、湿度等因素对负荷变化影响较大，建立多维度IWOA-DELM负荷预测模型。仿真结果表明，与其他模型相比，多维度的IWOA-DELM模型预测的准确度更高。     

考虑风电功率爬坡的功率预测-校正模型

随着大规模风电接入电力系统,风电功率爬坡事件对电网的安全稳定运行带来一定的影响。研究爬坡事件发生时的功率预测已越来越迫切。基于极限学习机理论,提出了一种考虑风电功率爬坡事件的超短期功率预测和校正模型。首先,利用最优旋转门算法对当前爬坡事件进行识别,提取爬坡事件特征值,建立模糊C均值聚类模型以得到同类数据,在此基础上,采用极限学习机算法对上述数据进行训练、预测,通过元组向量时间扭曲法在历史风电功率预测爬坡事件库中寻找与当前风电功率预测结果相似的爬坡事件,得到功率预测历史相似爬坡事件。最后,利用功率预测历史匹配值与实际值之间的特征值误差,对风电功率预测结果进行修正。算例表明,所提方法可准确识别风电功率爬坡事件、有效提高风电功率超短期预测精度。     

基于TVF-EMD-ELM的超短期光伏功率预测

针对光伏功率预测方法精度不高和时效性低的问题,提出了一种基于时变滤波经验模态分解（TVF-EMD）和极限学习机（ELM）相结合的超短期光伏功率预测方法。首先应用TVF-EMD方法对光伏功率数据进行分解,以便得到一组相对稳定的分量,降低不同功率影响因素之间的交互影响。然后采用ELM神经网络模型,根据各分量的特点构建不同的预测模型,来预测各个分量的值。将ELM预测的各分量值相加,从而获得最终的预测结果。算例结果表明该方法的有效性,相比传统模型其归一化均方根误差值降低了25.8%,标准平均绝对误差下降了17.97%,相关系数提高了8.3%。     

基于自然进化策略的可再生能源ELM预测两阶段优化训练方法

随着中国“双碳”目标的提出和可再生能源接入比例的不断提高,其精确预测对提高新能源消纳水平和电网稳定性以及降低系统规划运行成本具有重要意义。为此,提出了基于自然进化策略（NES）的极限学习机（ELM）网络参数两阶段优化训练方法及可再生能源功率预测改进模型。在第1阶段,使用ELM随机参数和广义矩阵逆运算过程训练模型网络参数。ELM训练过程具有随机性且矩阵逆运算过程缺少对参数的微调,导致模型虽然训练速度较快,但在精度上有所欠缺。因此,第2阶段在原有模型训练结果的基础上引入输出层偏移和自适应的NES算法,对网络参数进行二次优化调整。结果表明,该两阶段优化算法能够有效地提高模型预测精度。     

基于人工蜂群优化极限学习机的短期负荷预测*

针对极限学习机(Extreme Learning Machine,ELM)在训练前随机产生输入层权值和隐含层阈值导致输出结果不稳定,影响短期负荷预测精度的缺陷,提出基于人工蜂群(Artificial Bee Colony,ABC)算法改进ELM(ABC-ELM)的短期负荷预测新方法。首先,选用历史负荷、外界气象因素和待预测日星期类型等属性构成ELM输入向量,以负荷值为输出,构建ELM模型;其次,采用ABC对ELM输入层权值和隐含层阈值进行优化;最后,根据优化参数,建立基于ABC-ELM的负荷预测模型,并以该模型开展负荷预测。根据国内某大型城市实测负荷数据开展实验,验证方法有效性。实验结果证明ABC-ELM较ELM和BP神经网络具有更高的稳定性和预测精度。     

基于OVMD-SSA-DELM-GM模型的超短期风电功率预测方法

为了提高风电功率的预测精度,提出了一种基于最优变分模态分解(optimal variational model decomposition,OVMD)、麻雀算法(sparrow search algorithm,SSA)、深度极限学习机(deep extreme learning machine,DELM)和灰色模型(grey model,GM)的超短期风电功率预测方法.该方法通过OVMD对原始风电功率时间序列进行自适应分解;然后针对各分量建立DELM预测模型并利用SSA算法进行参数寻优,并对各个分量的预测结果进行求和重构;利用GM对误差序列进行预测;最后将误差的预测值与原始风电功率的预测值叠加得到最终预测结果.对北方某风电场的风电功率数据进行仿真实验,结果表明,该方法预测效果明显优于传统方法,有效提高了超短期风电功率预测的精确性.     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

自适应提升及预测误差修正的风电功率超短期预测

为了提高超短期风电功率预测精度,提出了一种自适应提升及预测误差修正的风电功率超短期预测方法。首先,使用CEEMDAN将原始风电功率序列分解为多个分量,用RCMSE对其重构成新模态以降低风电功率序列复杂性及提高预测效率;其次,用EESHHO优化ELM权值和阈值提高模型的泛化性,同时引入AdaBoost提高预测模型的精确度和稳定性;最后,在学习历史训练误差的基础上提出修正预测值的策略,进一步提高预测精度。算例结果验证了所提方法的有效性。     

基于极端天气情况的风-储系统平抑控制策略

提出了一种储能系统的功率控制方法,实现了极端天气情况下风电场出力波动的快速平抑。该控制框架融合了机器学习算法与模型预测控制方法,由基于在线序贯极限学习机的神经网络模型预测优化时域范围的风电功率,储能的充放电功率指令通过MPC进行滚动优化,保证储能系统的运行约束得到满足。仿真实验表明该方法能够实现储能系统的快速充、放电管理,利用准确的风电功率预测,降低了极端天气下风电场功率陡降对电网的不利影响,使得风-储联合系统注入电网的功率更接近给定值。     

基于可变模式分解和NWCSO优化极限学习机的短期风速预测

针对风速时间序列的非线性特征导致其难以准确预测的问题,提出一种基于可变模式分解(variational mode decomposition,VM D)和动态NW小世界纵横交叉算法(dynamic NW small w orld crisscross optimization,NWCSO)优化极限学习机的短期风速组合预测模型。采用一种新型的可变模式分解技术,将原始风速时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立极限学习机模型进行预测,并采用小世界纵横交叉算法对极限学习机的输入权值和隐含层偏置进行优化,以获得最佳的预测效果。实验结果表明,基于VMD的组合预测模型较采用其他常规分解方式时预测精度明显提高。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

基于相关向量机的风电功率实时预测研究

风能的波动性和随机性给风电功率预测带来了很大的影响,准确合理的预测可以使系统可靠、持续、稳定运行。提出一种基于相关向量机的超短期风电功率预测方法。相关向量机是在贝叶斯理论的基础上提出的一种概率学习模型,与支持向量机相比,相关向量机具有概率模型稀疏、核函数计算量小等优点。对滚动多步预测模型进行了分析,建立了相关向量机的风电功率预测模型。利用该方法对吉林西部若干风电场进行功率预测,结果表明,所提出的预测模型能有效地提高预测精度,对工程有较高的应用价值。     

基于奇异谱分析和极限学习机的风速多步预测

风速预测对风力发电系统具有重要的影响,为获得更高精度的风速预测结果,针对多步风速预测,成功开发了一种基于奇异谱分析和优化极限学习机的新型预测模型。首先,采用奇异谱分析将风速时间序列分解为一组相对平稳的分量,以降低风速序列的随机性对预测结果的影响;然后,对分解得到的分量分别建立极限学习机预测模型,为进一步提高预测性能,将1种新颖的活性竞争萤火虫算法用于优化极限学习机的输入权值和隐含层偏置;最后,叠加全部分量的预测值得到实际预测结果。仿真结果表明,基于奇异谱分析和活性竞争萤火虫算法优化极限学习机的模型在1步到3步风速预测中实现了较高精度的预测结果。     

基于EMD与ELM的输电线路山火蔓延速度组合预测模型

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。