基于EWT-KELM方法的短期风电功率组合预测

针对短期风电功率预测,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)预处理的核极限学习机(Extreme Learning Machine With Kernels,KELM)组合预测方法。首先采用EWT对风电场实测风速数据进行自适应分解并提取具有傅立叶紧支撑的模态信号分量,针对每个分量分别构建KELM预测模型,最后对各个预测模型的输出进行叠加得到风速预测值并根据风电场风功特性曲线可得对应风电功率预测值,为验证本文方法的有效性,将其应用于国内某风电场的短期风电功率预测中,在同等条件下,与KELM方法、极限学习机(Extreme Learning Machine,ELM)方法、支持向量机(Support Vector Mmachine,SVM)方法以及BP (Back Propagation Neural Network)方法对比,实验结果表明,本文所提方法具有较好的预测精度和应用潜力。     

基于交叉熵理论的风电功率组合预测方法

风电功率预测对电力系统的调度和安全稳定运行具有重要的意义。针对目前风电功率预测方法过分依赖参考样本的问题,利用信息融合技术,建立了一种基于交叉熵理论的风电功率组合预测方法,将风电功率组合预测看作信息融合问题,利用交叉熵理论判断各预测方法的相互交叉程度,按支撑度大小变化动态设置权重。阐述了所提方法的基本思想和主要实现方法,针对某实际风电场的算例结果表明,新方法能够有效识别预测方法交叉度,提高了风电功率预测精度。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...     

基于最优权系数的风电功率组合预测方法

风电功率的短期预测对于电力系统的安全稳定运行具有重要意义。提出了一种基于最优权系数的风电功率短期预测组合方法,该方法将ARIMA时间序列、BP神经网络、RBF神经网络和支持向量回归机这4种单一预测模型进行综合,并根据预测误差信息矩阵,以误差平方和最小为原则得到组合预测模型中的最优权系数,以此构成组合预测模型,该模型能够有效地综合各单一预测模型的优势,降低预测风险。仿真实例表明:所提组合预测模型预测精度高,能够方便快速地确定最优权重系数值,降低预测误差。     

基于EMD与模型预测控制算法的风电功率平抑

随着能源短缺问题日益突出,可再生能源得到了广泛开发和利用.风、光等可再生能源受自然环境非均匀性和非稳态性影响,其输出功率也呈现很强的时变性,并入电网后会产生系统的电压和频率波动等一系列电能质量问题.储能系统可以作为能量缓冲装置,平抑可再生能源输出功率,以达到并网标准.提出用混合储能系统平抑可再生能源发电波动的方法,并给...     

基于EMD分解和集对分析的风电功率实时预测

风电功率时间序列的随机性和波动性使得风电功率多步预测时难以达到理想的预测准确度,因此,提出一种基于经验模态分解(EMD)和集对分析的风电功率实时预测模型。该模型首先将风电功率时间序列经EMD分解,处理成有限个相对平稳的分量;然后利用极值点划分法,按波动程度相近的原则将分量重构为高频、中频和低频3个分量;最后对3个分量各自的特点针对性地建立预测模型,并将3个分量的预测结果叠加作为原始风电功率的预测值,用滚动的方式实现多步预测。采用3个不同装机容量的风电场的实测风电功率数据进行仿真,结果表明该方法提高了多步预测的准确度,显示出了良好的预测性能。     

一种短期风电功率组合预测方法

为提高风电功率的短期预测精度,对组合预测进行了研究。选用差分自回归移动平均模型(ARIMA)与埃尔曼神经网络(Elman)模型,建立新的组合预测模型。首先,用单一的ARIMA预测模型和Elman预测模型对风电功率进行预测;然后,在单独模型预测的结果上,再次利用Elman神经网络进行预测;最后,将组合预测的结果与两单一模型的预测结果进行分析比较。结果表明,组合预测模型比各自单一预测模型有更高的预测精度。     

基于 RCNN-SVR组合模型短期风电功率预测

提出一种回归卷积神经网络与支持向量回归组合模型 (RCNN-SVR),采用该模型预测短期风力发电功率. 首先搭建了一种回归卷积神经网络 (RCNN)模型;由于 RCNN 存在计算量大的问题,因此利用 RCNN 从数据集中 提取特征因素,并用特征因素训练支持向量回归 (SVR)对风电输出功率进行预测;最后采用某风电场数据集进行验证,结果表明 RCNN-SVR模型比单独使用的传统 RCNN 模型或支持向量机具有更高的准确率.其中,RCNN-SVR 模型的 CV-RMSE、MAE和 MAPE分别为０．０９９８、０．３９２８和０．５４６８,说明 RCNN-SVR模型有效地提高了预测精度 和输出结果的稳定性.     

基于改进熵权法的风电功率组合预测方法

对风电场输出功率进行精确的预测是保证含大规模风电电力系统安全稳定运行的重要手段。采用单一预测模型进行预测时,都会有各自的优势和劣势,为了更好地提高风电功率预测精度,提出了基于改进熵权法的风电功率组合预测方法,并同时采用滚动式权重,以此来实现对单一预测模型的互补。以吉林省西部某风电场的实测数据为例进行分析,说明了基于改进熵权法的风电功率组合预测方法在对风电功率进行预测时的有效性,同时证明了滚动式权重可以实现对权重的不断更新,使各权重值能够反映出风电功率的最新变化,从而实现了对风电功率预测精度的提高。     

基于EMD和SVM的短期负荷预测

为了有效预测具有一定周期性和随机性的非平稳时间序列性的电力负荷,提高预测精度,提出了结合经验模式分解(EMD)和支持向量机(SVM)的短期负荷预测法。该法运用EMD将负荷序列分解成若干个不同频率的平稳分量,分解后的分量突出了原负荷的局部特征,能更明显的看出原负荷序列的周期项、随机项和趋势项;根据各个分量的变化规律,选择合适的SVM参数和核函数构造不同的支持向量机分别预测;由SVM对各分量的预测值组合得到最终预测值。仿真试验表明,此方法与单一的SVM预测法及BP神经网络预测法相比,具有较高的精度和较强的推广能力。     

基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。     

基于GA优化SVM的风电功率的超短期预测

研究风电功率预测技术对于减轻其输出电能的随机性对电力系统的影响具有重要意义。首先结合风电监控系统数据库中的历史功率数据和环境参数形成样本数据,同时采用遗传算法优化该模型的核函数类型、核函数参数及错误惩罚因子等参数,建立了GA-SVM模型,提高了模型参数组合优化选择的效率和预测精度。最后结合实例验证,并与标准SVM方法和BP神经网络方法比较。预测效果表明:所提出的GA-SVM优化模型在超短期风电功率预测上具有更优的学习能力和泛化能力。     

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解（VMD）、改进麻雀搜索算法（ISSA）和门控循环神经网络（GRU）的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明：VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.211 8 MW、1.890 0及1.591 6 MW;相较于传统的GRU、长短时记忆（LSTM）神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题     

基于WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

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。     

一种基于改进GPR和Bagging的短期风电功率组合预测方法

为提高短期风电功率的预测精度并对功率预测的不确定性进行量化,提出了基于高斯过程回归(Gaussian Process Regression,GPR)和Bootstrap Aggregation (Bagging)的组合预测方法。针对GPR的不稳定性和计算量大的特点,引入了Bagging和训练数据完全条件独立下的近似方法(Fully Independent Training Conditional Approximation,FITC)。同时,在贝叶斯决策 (Bayesian Committee Machine, BCM)的基础上,提出了一种新的权重组合策略。实验表明,基于Bagging和FITC的GPR方法在稳定性、预测精度和训练时间的消耗上都优于传统的GPR方法。在风电功率预测中,改进的GPR可以给出较准确的置信区间,且与极限学习机、最小二乘支持向量机相比较,该方法的预测精度也有明显提高。     

基于加权系数动态修正的短期风电功率组合预测方法

风电功率预测是解决大规模风电并网问题的有效手段之一,预测精度越高,越有利于提高电网运行的安全性和经济性。为了提高风电功率短期预测精度,通过组合预测方式弥补单一预测模型的局限性,针对各预测结果性能随预测时间尺度变化的问题,提出了不同时间断面差异化的组合预测方法,并根据风电功率的波动特性,恰当引入天气变化的持续信息,优化了15 min~4 h预测时间尺度下的预测精度。同时,针对各集合成员每日更新结果,通过在线建模方式,动态修正各集合单元组合权值,提高预测模型的适应性。实际算例表明,所提方法能够得到风电功率预测结果,组合系数变化性质符合实际原理,与目前常用的组合预测方法相比,预测精度更优。     

基于改进GM-ARMA组合模型的风电功率中长期预测方法*

风电功率预测是提高风电场功率上报准确率和风电场收益、提高大规模风电并网后电力系统的安全和稳定性的有效方法.目前对于风电功率超短期和短期预测的研究已取得了阶段性研究成果,但是对于风电功率中长期预测方面的研究尚未取得实质进展,预测效果难以满足实际工程应用的需要.针对现有风电功率中长期预测方法存在的缺陷,提出了一种基于改进GM-ARMA组合模型的风电功率中长期预测方法,采用遗传算法优化组合模型的参数,以得到最优模型,进而提高了风电功率预测精度.仿真结果表明该方法对年度和月度风电功率预测均有较好的应用效果,比普通GM-ARMA组合模型具有更高的预测精度.