共查询到20条相似文献,搜索用时 78 毫秒
1.
考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类。根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本。运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性。运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持。 相似文献
2.
基于统计聚类分析的短期风电功率预测 总被引:1,自引:0,他引:1
考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类.根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本.运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性.运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持. 相似文献
3.
为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型.该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode de?composition)将原始风电序列分解为一系列不同特征尺度的子序列;并... 相似文献
4.
风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。 相似文献
5.
《电网技术》2021,45(3):855-862,中插2-中插3
为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。 相似文献
6.
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 相似文献
7.
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. 相似文献
8.
为了提高风电功率短期预测精度,将最大-最小贴近度和诱导有序加权算子相结合,提出了一种新的组合模型。根据诱导有序加权算子的不同,可形成不同的组合模型,即IOWA组合模型、IOWHA组合模型和IOWGA组合模型。由于预测期的实际值未知,各单项预测模型的诱导值无法提前预知,不能直接利用该方法进行预测。利用各单项模型建立不同组合模型,选择精度较高的组合模型,用其预测值代替实际值计算诱导值,可以解决预测期诱导值的计算问题。两个不同风电场的仿真结果表明:IOWGA组合模型比某些单项模型和其他组合模型的预测精度还低,预测效果并未得到改善;IOWA组合模型和IOWHA组合模型的各项误差指标都小于单项模型和其他组合模型,预测精度都得到提高,但IOWHA组合模型的各项预测评价指标都最好,预测精度更高,将它的预测值作为风电功率最终预测值,能提高风电功率预测精度。 相似文献
9.
10.
为解决风电出力因其波动性无法准确预测的问题,结合元启发算法对训练数据的依赖性,提出一种基于多重数据筛选的短期风电出力区间预测方案。首先利用曲线拟合修正天气预报风速,并基于气象类型进行风速初筛,获取与预测日天气类型相似的历史数据;其次,采用灰色关联度对历史数据的相关性进行二次筛选,给出与待预测日风速变化趋势相近的筛选结果;再次,利用经验模态分解法对二次筛选结果进行分解,获得不同频率的固有模态分量(intrinsic mode functions,IMF);然后,以战争策略算法(war strategy optimization algorithm,WSO)优化长短期记忆网络(long short-term memory,LSTM)参数,分别建立不同分量的确定性预测模型,通过转换关系得到风电功率的点预测结果,引入Bootstrap抽样百分位法,给出一定置信水平下功率的波动区间;最后,以某风电场实测数据进行算例分析。结果表明,所得区间具有较好的覆盖率和较窄的带宽,证明了所提多重数据筛选方法在风电功率区间预测中的有效性和准确性。 相似文献
11.
12.
13.
针对风电功率预测问题,在现有预测方法和概率性区间预测的基础上,提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计,得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明,所提方法不仅能得出较为精确的点预测结果,而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比,其精度更高,且在同等置信度下的预测区间范围更小。 相似文献
14.
风电场风速预测对电力系统的交易计划和可靠运行起着非常重要的作用.根据风的形成机理、影响因素及变化规律,提出了一种基于模式识别技术选取风速样本,利用自适应模糊神经网络法(ANFIS)进行风速预测的方法,ANFIS利用混合学习算法训练网络的前件参数和结论参数,然后输入选取的风速样本于训练好的自适应模糊神经网络中进行风速预测.以美国夏威夷Maui岛1994年的风速数据为例,对上述方法进行验证,结果表明该方法具有一定的实用性. 相似文献
15.
16.
为提高风电功率短期预测的准确度,需进一步挖掘气象特征,为此,提出一种基于贝叶斯优化调参的特征挖掘改进深度学习模型。对气象因素提取多时间尺度下的统计特征、组合特征和类别特征;构建包含长短时记忆神经网络与注意力机制结合模块、Embedding模块和输出模块的深度学习模型,将连续数值特征输入长短时记忆神经网络与注意力机制结合模块,将类别特征输入Embedding模块;由贝叶斯优化调参进行特征组合选择,找出最优特征组合,得到最终的风电功率预测结果。与某风电场历史数据的对比分析表明,所提方法能有效提高风电功率的预测精度。 相似文献
17.
分析了天气因素对光伏出力的影响,选择预报技术较为成熟的气象信息和能反映光伏变化趋势的波动分量作为分类特征。针对传统预测算法在突变天气条件下预测精度较低的问题,提出基于近邻传播聚类和回声状态网络的组合算法,通过近邻传播算法对光伏出力进行分类,并根据预测日所属的类别建立回声网络状态方程进行光伏出力预测。仿真表明所提算法不仅能满足非突变型天气下的光伏预测要求,还能较好地跟踪突变型天气下光伏出力变化,具有更高的准确度和通用性。 相似文献
18.
由于风速变化的随机性,大规模风电场并网给电网调度带来困难,进而影响系统的稳定性。为了提高风电场的可调度性,本文提出了基于风速预测与钒电池储能的风电场并网功率协调控制系统。采用BP神经网络法对未来一天的风速进行预测,通过预测的风速值计算风电场向电网发送的功率,并将预测值提交到电网调度机构。同时,在风电场的出口处接入钒电池储能系统,快速响应弥补风电场实际发出功率与预测功率的误差,从而提高电网依据风功率预测进行风电场发电调度的可信性,改善了风电场与电力系统之间的协调运行能力。 相似文献
19.
20.
电力需求总量的科学预测是经济转型阶段电力系统规划与运行的重要依据。引入融合分段二次Lagrange插值函数的新型灰色关联理论,从经济发展、产业结构、用电环境以及居民生活4个方面分析社会经济新常态指标与电力需求总量之间的相关程度,筛选出影响电力需求增长率波动的关键因素;进而以电力需求总量及相关因素为训练数据集,利用融合莱维飞行特征的改进鸽群优化算法对支持向量机的参数进行优化,建立具有最佳参数、强泛化能力的电力需求总量预测模型。基于我国某电网区域电力需求历史实测数据的算例结果表明,所建模型具有更好的优化效率和预测精度。 相似文献