基于风速时空信息的BP神经网络

基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

基于气象因子的BP神经网络风电场风速预测

探讨了风电场风速预测对电力系统稳定运行、经济调度、运行效益及电力市场环境下风电场参与市场竞争能力的重要影响和意义,建立了考虑风电场气象因子影响的BP神经网络风速预测的一种新模型,该模型兼顾了相似日特征的作用和影响.运用该模型对新疆某实际风电场进行了日平均风速、最大风速、最大风速方向进行了连续20天的预测,平均相对误差分别为8.07%,10.09%,9.05%.预测结果表明了该方法的有效性、实用性和可靠性.     

基于BP神经网络方法的风电场风速插补分析应用

[目的]准确的风资源数据对风场的风资源评估和发电量计算有着重大意义.由于机械故障、天气因素和人为影响等原因,风场内风速数据出现采集时间短、间断点多、数据失真等诸多问题,给风资源的评估带来不小的麻烦.[方法]现阶段风电行业内采用基于相关测量预测方法(MCP,Measure-Correlate Predict)(可称之为传...     

基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

基于神经网络的风电场风速时间序列预测研究

在电力市场中,风电所占电网的比例越来越大.但由于风的波动及其不可控性,风电场的发电量也在随机变化,所以很有必要对其产能进行预测.风速是影响产能最直接最根本的因素.本文利用时间序列神经网络对风电场的风速提前一小时进行预测,为电力调度提供参考,并为更长时间(半天,一天或两天)的风速预测提供理论基础.     

基于BP神经网络的空调负荷预测

本文以城建国际大厦冷源系统的检测数据为依据,利用BP神经网络,建立了空调负荷预测模型,并取得了较好的结果。文章进一步分析了可能存在的误差及提高预测精度的方法。     

基于BP神经网络光伏组件价格预测的研究

根据光伏组件的构成,将影响组件价格的因素分为技术因素和非技术因素,并采用网站数据采集法和专家咨询法确定各主要因素的分项价格,构建BP神经网络预测模型,在此基础上利用Matlab内置的Neural Net Fitting模块对组件价格进行预测,结果表明BP神经网络对组件价格预测的相关性较好,预测价格与实际价格偏差率为-2.62%～2.11%,预测结果可接受度为89.47%,预测精度满足实际需要,为光伏项目的顺利实施提供了辅助决策依据。     

基于多位置NWP的超短期风速预测研究

数值天气预报(NWP)是影响风电场超短期预测精度的主要因素。采用数据挖掘技术中的主成分分析方法,对位于一个风电场多个位置的NWP各指标数据进行主成分提取,获取几个综合指标,使得新的输入变量维数降低,分量间相关性减小。在此基础上,利用BP神经网络和泛化回归神经网络(GRNN)建立超短期风速预测模型,实验结果显示,基于主成分分析提取的GRNN预测模型预测精度更高。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。     

基于滚动的BP神经网络的光伏发电功率预报

鉴于准确预测光伏发电功率可减少大规模光伏并网发电对电网造成的冲击,以河南省某并网的光伏发电站7~11月共5个月的数据为例,通过建立非滚动的和滚动的BP神经网络模型,分别进行数值预报辐射订正和发电功率预报,并对预报的72h结果分为第1、2、3d分别进行检验。结果表明,滚动的BP神经网络对辐射订正和功率预报均具有较好的泛化能力,方法简便、实用,能够有效降低光伏发电功率的预报误差。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于SVM方法的风电场短期风速预测

针对基于支持向量机的风电场短期风速预测进行研究．选择了不同的输入向量（历史风速时间序列,历史风速和温度．历史风速、温度和风向,历史风速、温度和时间）作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

基于OLS-SFLA-RBF神经网络的风电出力预测

提高风电出力的预测精度,可以减轻风电并网带来的不利影响。利用径向基函数神经网络（RBF）建立风电出力预测模型,并通过正交二乘算法（OLS）对RBF神经网络进行初步训练,以确定网络结构及隐含层各节点中心。在OLS算法训练的网络基础上引入蛙跳算法（SFLA）,进一步对隐含层基函数的宽度值进行优化以提高网络的泛化能力。实例预测表明,在相同的网络结构及隐含层中心下,基函数宽度值优化后的RBF神经网络模型预测精度得到了提升。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。