基于集合经验模态分解和改进极限学习机的短期风速组合预测研究

提出一种基于集合经验模态分解(Ensemble empirical mode decomposition)和改进极限学习机(Improved Extreme Learning Machine,IELM)的新型短期风速组合预测模型。采用集合经验模态分解将风速序列分解成不同频段的分量,以降低序列的非平稳性。使用改进极限学习机对各分量分别建模预测,为避免极限学习机输入维数选取的随意性和分量信息丢失等问题,先对各分量重构相空间,最后将各分量预测结果叠加得到最终预测结果。实例研究表明,所提的组合预测模型具有较高的预测精度。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点,构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法,结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解,得到数据信号在不同时间尺度的局部特征,降低环境因素序列的非平稳性,然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后,选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明,构建的改进光伏出力预测组合模型的各项指标预测效果更好,且适用不同环境的光伏发电预测。     

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。     

基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法

为实现高精度的短期风速预测,提出一种基于混合粒子群算法和多分位鲁棒极限学习机的短期风速预测方法。在信号处理阶段,利用时变滤波经验模态分解技术将原始风速序列分解为若干子模式以降低其不稳定性。然后采用混合粒子群算法对每一个子模式进行特征提取,接着利用多分位鲁棒极限学习机分别建立预测模型并利用混合粒子群算法进行参数优化,最后对每个子模式的预测值进行聚合计算得到最终的预测结果。仿真结果表明:在考虑使用混合粒子群算法进行特征提取和模型参数优化后,所提方法具有更高的预测精度。同时基于时变滤波法的经验模态分解技术能够进一步提高预测准确性。     

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。     

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。     

基于极限学习机的光伏发电短期预测校正方法

光伏发电短期预测在电力系统实时调度中具有重要意义。受诸多因素影响,光伏发电短期预测精度还无法达到光伏电站要求,对光伏并网调度带来较大影响。针对这一问题,提出了基于极限学习机（ELM）的光伏发电短期预测校正方法。说明了光伏发电短期预测中的误差特征,并利用提出的校正方法对原来光伏发电短期预测结果进行了优化。通过与其他方法的对比,验证了此方法的有效性,说明了论文方法能够有效提高光伏发电短期预测精度。     

基于极限学习机方法的短期负荷预测

将极限学习机(ELM)方法引入电力系统短期负荷预测领域。该方法预测能力强,具有计算时间短、计算准确性高、全局搜索等显著特点。在运用ELM算法建立短期负荷预测模型过程中,采用归一化处理输入数据,使用主成分分析法选取计算样本,并由交互验证法确定最优主成分因子数和ELM隐含层节点数。实际算例表明,在于短期负荷预测的预测精度和运算时间方面,ELM方法较传统神经网络方法具有其独特的优势。     

基于小波分解和最小二乘支持向量机的短期风速预测

短期风速预测对并网风力发电系统的运行有重要意义。对风速进行较准确地预测,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。简述了短期风速预测的价值和方法,提出了基于小波分解(wavelet decomposition,WD)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期风速预测方法,分别以香港和河西走廊地区风电场为例,建立了上述2个地区风速预测的WD-LSSVM模型,根据上述地区的数据进行实例验证,结果表明文中的方法显著提高了超前一步预测的精度。     

基于变分模式分解和深度门控循环网络的风速短期预测模型

考虑到风速时间序列非平稳特性和时序关联难以建模的问题,提出一种基于变分模态分解和深度门控循环网络的风速短期预测模型。该模型首先使用变分模态分解非递归地将原始风速序列分解为预先设定层数的子分量,以期降低原始序列的不平稳度,使用深度门控网络分别对各子分量建模预测,最后叠加各分量的预测结果,得到风速的预测结果。实例研究表明所提模型能够有效地跟踪风速的变化,具有较高的短期预测精度。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

基于经验模式分解的风电场风速趋势预测研究

风速预测对风电场和电力系统的运行具有重要意义。对风速进行准确的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力。由于风速时间序列的非线性和非平稳性,传统的预测方法难以对其准确预测。该文提出将经验模式分解与最小二乘法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解可以得到若干不同频率的平稳分量和趋势项;以趋势项为自变量,建立二元线性回归分析的预测模型,依据最小二乘法原理来获取预测模型的两个系数;再利用预测模型对未来风速变化趋势进行预测。仿真结果验证了此方法的有效性。     

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

基于VMD和双重注意力机制LSTM的短期光伏功率预测

提出了一种基于变分模态分解(VMD)和双重注意力机制长短期记忆(LSTM)的短期光伏功率预测方法.针对光伏功率信号的波动性和非平稳性,利用VMD将光伏功率输出分解为不同频率的分量,使用LSTM对各分量进行预测,并在LSTM基础上引入特征和时序双重注意力机制.为自主挖掘光伏功率输出与各气象特征之间的关联关系,避免传统方法...     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

基于经验模态分解和极限学习机的日输电量分时建模预测

电网运行电量数据呈现出海量化高维化的发展趋势,为有效利用这些大数据建立电量预测模型,提出了一种分时建模、经验模态分解和极限学习机相结合的方法。将每日输电量划分为峰、平、谷3个时段,并对每个时段的输电量曲线进行经验模态分解,再采用极限学习机训练得到各分量的预测模型,最后通过叠加合并得到最终的输电量预测值。通过与传统的极限学习机进行比较,结果表明所提方法可有效地提高模型的预测精度。