基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

基于人工神经网络的风电功率短期预测系统

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。该文综述国内外风电功率预测技术的研究现状、基本原理及预测方法;设计风电功率预测系统的框架,建立基于人工神经网络的风电功率预测系统,该系统即将应用于吉林电网调度中心。该系统以数值天气预报为基础,具有良好的人机界面,实现了与能量管理系统(energy management system,EMS)的无缝连接。对测试数据的预测结果表明,该预测系统能够可靠工作,预测结果的均方根误差在15%左右。最后,该文对风电功率预测系统的经济效益进行估算。     

基于稀疏编码的短期风电功率时间序列预测

针对短期风电功率时间序列,提出一类基于字典的稀疏编码预测方法。为构建预测模型,将历史风电功率时间序列数据组成具有时延的输入-输出数据对,其输入与输出数据向量以原子形式分别构成两个字典,无需模型的训练阶段。针对待预测的时延输入数据向量,使用1l范数或弹性网络正则化的稀疏分解凸优化算法计算稀疏编码的权值,进一步借助历史输出数据所构成的字典,以得到相应的预测输出。与此同时,还分析了将测试数据实时加入字典,并维持字典容量不变的三种自适应更新策略,以进一步提升模型的预测精度。为了验证该方法的有效性,将不同的稀疏编码方法首先应用于Santa Fe混沌时间序列预测中,其次,将其分别应用于短期风电功率间接预测中,在同等条件下,与SVM方法进行了比较。结果表明,不同的稀疏编码方法均取得了很好的预测效果,其中基于弹性网络正则化的稀疏编码方法具有较高的预测精度,显示出其有效性。     

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。     

基于统计聚类分析的短期风电功率预测

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。     

基于统计聚类分析的短期风电功率预测

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.     

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MEEMD-KELM的短期风电功率预测

风电功率时序信号是间歇性、波动性的非平稳信号,信号的平稳化处理是风电功率预测的关键。针对EEMD在分解风功率时序信号时存在模态混淆、伪分量和较大的重构误差等问题,将MEEMD用于风功率信号分解并与KELM模型相结合,提出了基于MEEMD-KELM的风电功率短期预测方法。该方法采用CEEMD将原始信号按频率高低依次分解,检测分量的排列熵值,通过熵值判断异常分量信号并将其从原始信号中剔除,再对分离后的信号进行EMD分解,得到的若干个IMF分量分别通过KELM模型进行组合预测。以上海某风场为例进行仿真实验,并与传统方法进行对比,结果表明该方法预测精度更优且更具稳定性。     

基于灰色-马尔可夫链的短期风速及风电功率预测

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。     

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。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

基于CEEMDAN-BO-LSTNet的风电出力短期预测

为提高风电出力预测精度,提出一种自适应噪声完备集合经验模态分解(CEEMDAN)-贝叶斯优化(BO)-长短期时序网络(LSTNet)对风电机组输出功率进行短期预测。清洗数据,采用CEEMDAN对清洗后的原始功率数据进行分解,得到若干个子序列;将分解得到的子序列输入至LSTNet模型,通过对LSTNet的超参数使用BO算法优化,输出子序列的预测结果;将各序列的预测结果进行叠加重构得到最终预测结果。通过对渭南某风电场机组实测数据进行实例仿真,设置消融分析和对比分析,结果表明文中所提方法相较于其他模型,预测精度得到有效提升。     

基于云支持向量机模型的短期风电功率预测

将云模型和支持向量机(SVM)相结合,提出一种适合短期风电功率预测的云支持向量机模型.该模型采用云变换方法提取风速序列的定性特征,并通过SVM建立风速特征与风电功率间的关系.对未来24h的风电功率预测结果显示,该模型在某个点上的预测值是一个有稳定倾向的离散值集合.采用逆向云算法求取集合的期望值作为确定性预测结果,并与SVM和自回归求和移动平均(ARIMA)模型的预测结果相比较,结果表明云支持向量机具有更高的预测精度,预测效果显著,因此,该模型可有效应用于短期风电功率预测.     

基于KPCA-KMPMR的短期风电功率概率预测

针对短期风电功率概率预测,提出一种基于核主成分分析(KPCA)与核最小最大概率回归机(KMPMR)相结合的方法。KPCA方法可对数据进行预处理,在特征空间中有效提取模型输入的非线性主元;KMPMR方法在仅需假定产生预测模型的数据分布的均值与协方差矩阵已知时,将最小最大概率分类机(KMPMC)的分类超平面看作预测模型的输出,可最大化模型的输出位于其真实值边界内的最小概率。实验结果表明,所提方法在预测精度上优于现有的预测方法,并能提供预测误差的分布范围。     

基于经验模式分解的风电场短期风速预测模型

采用经验模式分解(EMD)和时间序列相结合的方法进行风电场的短期风速预测.针对风速序列的非平稳性和时序性,利用EMD分析非线性、非平稳信号的特点和自回归滑动平均(ARMA)时间序列的建模方法,建立风电场短期风速预测的EMD-ARMA模型.该模型通过EMD方法将原始风速序列进行分解,运用ARMA时间序列的方法对各分量分别进行预测.通过对我国某风电场的实际风速序列进行分析预测,介绍方法的实现过程,证明该方法的有效性.     

一种基于径向基神经网络的短期风电功率直接预测方法

提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。     

基于D-S证据理论的短期风速预测模型

提出一种基于D-S证据理论的短期风速组合预测模型.分别采用时间序列、BP神经网络和支持向量机预测模型对风速进行预测,通过对预测误差的分析,借助D-S证据理论对3种模型进行融合.选取待测日前凡日的风速数据作为融合样本,计算出相应的基本信任分配函数,同时将函数进行融合,并将融合结果作为风速预测模型的权重,得到待预测日的风速预测结果.仿真结果表明,所提组合预测模型的预测误差更小,效果更好.     

基于K-means++与ELM的短期风电功率预测模型研究

风能的波动性对风电产业的迅速发展带来了巨大挑战,准确可靠的短期风电功率预测对满足电网调度以及降低度电成本具有重要意义。文中提出了一种基于K-means++聚类分析和极限学习机(ELM)的短期风电功率预测方法,同时使用数值天气预报(NWP)数据与SCADA系统的历史监测数据,实现了对未来72小时的短期风电功率预测。首先,通过K-means++聚类算法将NWP数据划分为数量不等的簇,之后,使用ELM对每个簇的数据分别建立NWP数据与SCADA功率数据间的映射模型。完成模型训练后,根据数据与各聚类中心点之间的距离选择最佳预测模型。实验结果表明,与常用的经典模型相比,其预测结果精度更高,具有更高的预测性能。     

基于经验模式分解与人工神经网络的短期电力负荷预测

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的电力负荷,提高预测精度,提出了一种基于经验模式分解(EMD)和人工神经网络(ANN)的电力短期负荷预测方法.该法利用EMD的自适应性,自动地将目标负荷序列分解为若干个独立的内在模式分量(IMF),对各分量分别进行分析,可准确把握负荷变化特性和环境因素影响.对这些分量采用相匹配ANN模型进行预测,综合得到负荷序列的最终预测结果.仿真试验表明,与传统BP神经网络预测方法相比该方法具有较高的精度和较强的适应能力.