基于人工神经网络的短期风电功率预测

风力发电近年来已进入规模化发展阶段。由于风能的随机性和间歇性特征,风电场输出功率往往具有波动性,因此其功率预测对接入风电的电力系统的安全稳定运行及保证电能质量有着重要意义。基于人工神经网络模型,对风电场输出功率进行24小时短期预测,并分析该预测模型的可靠性和精确性,提出改进方法和进一步研究方向。     

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

基于风速云模型相似日的短期风电功率预测方法

风电功率预测是解决风电不确定性影响的重要基础和必要手段,高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格。训练样本是影响预测精度的关键因素之一,但由于实际天气系统的复杂多样性和类属模糊性,定向选择与调度时段内风况相似的训练样本对预测精度至关重要。因此,提出了基于云模型定向选取风速相似日数据作为训练样本的短期风电功率预测方法,能够对指定时段内风速随机性和模糊性特征进行学习和建模,通过对历史数据的定向筛选和精细化利用提升预测精度。首先,以日为单位建立历史风速的云模型数据库;然后,建立云模型相似度量化指标,用于判断与待预测时段风速云模型最为相似的历史数据序列,以此为训练样本建立短期风电功率预测模型。在实际预测中,每日根据天气预报信息滚动更新训练样本和预测模型,提高预测精度。最后,选择中国北方某风电场运行数据进行实例分析,结果证明了所提方法能够提高风电功率预测精度,具有一定的工程实用价值。     

一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

基于IAFSA-BPNN的短期风电功率预测

为提高短期风电功率预测精度,提出一种基于IAFSA-BPNN的短期风电功率预测方法。该方法通过改进的人工鱼群算法来优化BP神经网络的权值和阈值,从而提高BP神经网络的收敛速度和泛化能力。利用2014年上海某风场实测数据对新算法进行检验。试验结果表明,改进的人工鱼群算法一定程度上克服了原算法后期搜索的盲目性较大,收敛速度减慢,搜索精度变低的缺陷。IAFSA-BPNN混合算法在预测的稳定性和精度、收敛速度等方面优于BPNN、AFSA-BPNN算法。IAFSA-BPNN算法不仅能提高短期风电功率预测的精度,而且改善了预测结果稳定性。     

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。     

基于小波-神经网络的风电功率短期预测

根据风速、风电功率变化特点,有效地预测风电功率,可降低电网调度的难度,利用小波多分辨分析法将风速序列信号分解到不同尺度上以反映不同变化频率的风速信号,分解后的风速信号经多层前向神经网络BP（Back Propagation）预测出其对应的风电功率,通过将基于小波-神经网络模型的预测结果与基于BP神经网络模型的预测结果进行比较研究,发现基于小波-神经网络的预测精度更高,效果更好,且预测精度与预测时间长短有关。     

短期风电功率动态云模型不确定性预测方法

高比例风电并网场景下,电力系统优化运行势必对风电功率预测精度及其不确定性分析结果的可靠性提出更高要求。现有的不确定性预测研究中大多为整体性的误差分析与建模,难以满足模型在各个时刻和各类天气下的适应性。因此,提出了动态云模型的短期风电功率不确定性预测方法。首先,建立各个预测功率区间段内的单点预测误差云模型,利用云模型数字特征(期望、熵、超熵)生成云滴分布图,以此量化预测不确定性态势。然后,计算给定置信水平下的云滴分位点,以及与之相对应的预测功率可能发生波动的置信范围,即风电功率预测不确定性分析结果。根据实时条件更新云模型,可以提高各个运行时刻点不确定性预测结果的可靠性。以中国北方某风电场运行数据为例进行验证,结果表明与传统的分位数回归方法相比,所提方法可靠性有所提升,能够为电力系统调度决策、备用安排等提供更为可靠的指导信息。     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

基于比恩法的风电场风速-功率曲线建模误差分析

以预测风速为输入进行风电功率预测时,风电场风速-功率曲线的建模精度至关重要。提出一种基于比恩法的风电场风速-功率曲线建模方法,并分析不同风速区间下各建模误差的变化情况。分析结果表明,忽略风速-功率传变特性差异导致风速较小时建模曲线偏高,风速较大时建模曲线偏低,而忽略风速空间分散性对建模曲线的影响则相反,因此两者对建模精度的影响有明显的抵消现象,且各建模误差的变化情况与风速大小密切相关。     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素.基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况.对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数.为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型.通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型.用我国某风场的数据验证了方法的有效性.     

基于VMD和GP的短期风电功率置信区间预测

传统风电点预测算法无法对风机出力的不确定性、随机性、波动性做出定量描述,提出一种基于变分模态分解(VMD)和高斯过程(GP)的区间预测方法,其意义在于能预测一定置信度下的短期风电功率波动区间。该方法利用变分模态分解算法将风功率序列分解为一系列不同带宽的模态分量以降低其非线性,对全部子模态分别建立高斯过程模型,最后叠加每个子模态预测结果得到风功率的置信区间。算例结果表明,与其他常规分解算法相比,该组合模型可以有效提高预测精度和预测区间覆盖率,减小预测区间宽度,具有一定的实用价值。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于融合模型的风电场输出功率短期预测方法

风电场功率短期预测对并网风力发电系统的运行有着重要意义,在考虑风速、温度、海拔等影响风电功率的主要因素的基础上,为提高风电场短期输出功率的预测精度,提出基于风速与风电功率的融合预测模型。首先针对风电功率的直接预测,采用自回归时间序列和广义回归神经网络的组合模型来预测;然后再利用该组合模型预测风速,根据风速与风电功率的关系间接求出预测的风电功率;最后将前两种组合预测模型进行再次组合,得到融合预测模型。以吉林洮北风电场的短期功率预测为例,运用Matlab软件编程实现本文所提出的算法,验证模型的准确性与可行性,得到融合预测模型的预测相对误差为7.156%,可有效提高大型风电场输出功率的预测精度。     

基于LSTM长短期记忆网络的超短期风速预测

大风天气容易导致高速列车发生脱轨、翻车等事故,因此对于风速的超短期预测对于高铁安全行驶具有重要的意义。提出一种基于长短期记忆(LSTM)网络的预测模型,对WindLog风速传感器采集得到的每分钟最大风速数据进行分组预处理,设置合理的步长参数,建立双层LSTM网络结构,采用北京市海淀区的风速数据进行训练,并对超前1、5、10 min的风速进行超前预测,超前1 min的预测值平均误差为0.467 m/s,正确率达100%;超前5 min的预测值平均误差为0.543 m/s,正确率达99.6%;超前10 min的预测值平均误差为0.627 m/s,正确率达98.8%。实验结果表明,该预测模型具有较好的适应性和较高的预测精度。     

基于RBF核函数的SVM方法在短期电力负荷预测中的应用

介绍了支持向量机(SVM)方法及其在电力系统短期负荷预测中的应用。SVM以统计学习理论为理论基础,采用结构最小化(SRM)原则,具有收敛速度快、全局最优等优点。选取RBF函数作为核函数,实际算例表明,预测精度优于时间序列及BP神经网络等方法。     

基于混沌径向基函数的风电功率短期预测

风电功率预测方法分为两类,即直接预测法与功率曲线转换法。因风电功率具有混沌特性,故将混沌时间序列的相关理论引入到风速和风电功率预测中。鉴于预测精度在很大程度上取决于模型参数的选择,为此先用C-C法联合优化了重构相空间的参数,再用径向基RBF神经网络模型直接预测风电功率,或者由该模型得到风速预测值后,根据对应的风电机组功率特性曲线而推算出风电功率预测值。实例分析结果表明:所提出的两种方法均有较高的预测精度,其中基于混沌径向基RBF神经网络的风电功率直接预测法效果更优。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。     

基于经验模式分解的风电输出功率预测

风电具有波动性和间歇性,大规模风电接入系统对电网的安全稳定运行带来了严峻挑战。为此,在分析功率曲面建模方法、风速预测方法和风电输出功率预测方法的基础上,以风电场为对象,建立了基于经验模式分解(EMD)的风电输出功率预测模型。应用实例的对比研究表明,提出的EMD-BP差值预测模型更适应实际风速情况,提高了风速输出功率的预测精度。