基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...     

BP神经网络在风电场功率预测中的应用

随着大量风电场接入电力系统,风功率波动性对电网的冲击以及对调度部门制定功率计划影响越来越大。对于风电场而言,风功率预测是急于要解决的问题,对此本文先利用小波函数对风速信号进行分解,再通过改进BP神经网络建立低频和高频风速-功率模型,并对三种辨识模型的性能指标进行了对比分析,最后对LM-BP算法在风功率预测上的精确性提出了建设性的意见。     

基于小波-神经网络的风电功率短期预测

根据风速、风电功率变化特点,有效地预测风电功率,可降低电网调度的难度,利用小波多分辨分析法将风速序列信号分解到不同尺度上以反映不同变化频率的风速信号,分解后的风速信号经多层前向神经网络BP（Back Propagation）预测出其对应的风电功率,通过将基于小波-神经网络模型的预测结果与基于BP神经网络模型的预测结果进行比较研究,发现基于小波-神经网络的预测精度更高,效果更好,且预测精度与预测时间长短有关。     

基于小波神经网络的中长期电力负荷预测

电力系统负荷预测是1项复杂的系统工程,其不仅涉及的领域广泛,而且不确定性的因素较多。文中在传统BP神经网络算法、改进型BP神经网络算法基础上,将BP神经网络与小波分析相结合,构建了小波神经网络模型,然后分别应用BP神经网络、改进型BP神经网络和小波神经网络对宁夏石嘴山地区电力负荷进行了中长期预测。通过对比分析表明,采用小波神经网络获得的预测数据比前2种方法获得的预测数据误差均要小。这说明了小波神经网络的预测结果更加准确,即采用BP神经网络与小波分析相结合的方法比单纯地采用BP神经网络算法进行电网负荷预测的效果更佳     

基于小波变换和BP神经网络的时序风电功率预测

为了更好地进行风机控制及系统调度,需要准确地预测风电功率。针对风电出力的不确定性问题,研究了小波变换的原理和方法及BP神经网络的原理和算法,建立了一种结合小波分解和BP神经网络的风电功率预测方法。对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后,根据神经网络独立学习的特性,用前几个时段的历史功率数据作为输入,下个时段的历史功率数据作为输出,训练神经网络,实现单步预测;各分量预测完后,将各分量的预测值相加即得到重构值。仿真结果验证了该方法的有效性,与不经过小波变换的BP神经网络预测相比,文中方法具有更高的预测精度。     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

基于聚类分析和混合自适应进化算法的短期风电功率预测

针对传统风电功率预测方法难以满足精细化、动态化建模要求,存在易陷入局部最优等问题,提出了基于聚类分析和混合自适应进化算法(KHEA)的风电功率智能预测方法。首先,采用K均值聚类算法对全年风速和功率数据进行聚类,剔除不合理的数据。然后,采用小波变换(WT)识别功率数据的行为特征,获得解构序列集,进而建立BP神经网络模型对未来时间段的功率解构序列进行预测。为减少预测误差,采用进化粒子群算法(EPSO)对模型的权值和阈值进行调整和优化,实现EPSO进化特性与神经网络自学习能力的功能互补。最后,运用逆小波变换对预测序列进行重构,获得最终的功率预测值。运用中国南方某风电场数据开展仿真实验,并与其他模型进行对比,表明KHEA具有更高的风电功率短期预测精度和可靠性,为提高风电功率预测精度和优化调度管理提供了新的技术方案。     

基于贝叶斯神经网络的风电短期功率预报研究

提高风电功率预报的准确率对电网的安全运行调度有着重要的意义。针对标准BP学习算法泛化能力不强的问题,设计了一种基于贝叶斯正则化算法修正权值的学习算法,用于风电的功率预测。仿真结果对比表明新的算法具有比标准BP算法和径向基神经网络具有更好的泛化能力,同时取得了良好的预测效果。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.     

基于小波-神经网络的短期风电功率预测研究

为了提高风电功率预测精度,降低电网调度的难度,通过对影响风电功率预测的诸多因素如风速、风向、风电功率、温度等进行分析,进而对风电功率的预测方法进行研究和探讨,提出了基于多变量的小波-神经网络模型的短期风电功率预测方法。通过单变量和多变量的风电功率预测的比较研究,证明BP神经网络预测与小波-神经网络预测这两种方法的预测精度不同。而且,对于同一种方法,输入变量的多少也对预测精度产生影响。通过最终的比较研究得出,采用基于多变量输入的小波-神经网络开展风电功率预测可提高预测精度。     

基于改进的小波-BP神经网络的风速和风电功率预测

为了提高超短期风电功率预测精度,使用改进的小波-BP神经网络方法进行研究。针对预测模型普遍存在的延时问题,先通过离散小波变换将信号分解为高低频段的信号,再用遗传算法优化的BP神经网络分别进行建模,最后求和各层预测信号。由于功率和风速具有混沌特性,用C-C法联合优化重构相空间的参数,以嵌入维数为神经网络输入层节点数。应用于山东某风电场,仿真结果表明,与BP神经网络模型相比,该算法预测风速和功率精度较高,但风速预测值经过实际功率曲线转换后,功率预测精度变差。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

一种风电功率概率区间多目标智能优化预测方法

风电的间歇性和不确定性给大规模风电并网带来了挑战,风电功率的单点预测已很难满足电网安全稳定运行的需求。提出了一种基于小波神经网络的风电功率区间预测多目标优化模型,改进了基本多目标人工蜂群算法的概率选择作用和约束删减策略,以优化小波神经网络的伸缩因子、平移因子和权值解决了区间预测单目标优化模型下惩罚系数的不合理选择问题,提高了风电功率区间预测可靠性。通过分析与单目标优化方法、传统多目标优化方法下区间预测指标的对比结果,表明所构建的多目标智能优化模型对风电功率区间预测具有更优越的性能,可为电网调度提供决策依据。     

基于BP神经网络的风电功率预测仿真分析

介绍了风电功率预测的背景,对风电功率预测进行了理论分析,分析了BP神经网络的原理及基于BP神经网络的风电功率预测流程和预测结果误差的评价指标。以Matlab软件的神经网络工具箱为仿真平台,搭建BP神经网络,进行了功率预测仿真,预测结果均方根误差分别为6．97％、200．59％。两组仿真对比结果表明,基于BP神经网络的风电功率预测在短期预测中是可行的．     

基于小波去噪和PCA-ANFIS的SCR脱硝系统建模

针对选择性催化还原（SCR）脱硝系统非线性、时变和大滞后的特点,本文提出基于小波去噪和主成分分析、自适应神经模糊推理系统（PCA-ANFIS）而建立的SCR脱硝系统预测模型。通过分析不同阈值选取原则及不同小波基和分解层数的去噪效果,选取最适合系统数据去噪的rigrsure原则、软阈值函数、Sym10小波3层分解方式,对数据进行去噪处理,并利用主成分分析法进行数据降维。然后基于减法聚类构建ANFIS模型的初始网络结构,采用混合算法优化模型参数。最后利用某燃煤机组实际运行数据对模型进行验证,并与BP神经网络模型预测结果进行对比。结果表明,基于小波去噪和PCA-ANFIS的SCR脱硝系统模型具有较好的拟合精度和泛化能力。     

基于混沌时间序列GA-VNN模型的超短期风功率多步预测

随着风电在电力系统中的渗透水平不断提高,能准确、可靠地进行风功率预测至关重要。为提高风功率超短期预测精度,利用风功率时间序列的混沌特性,推导分析了Volterra泛函模型和3层前馈(back propagation,BP)神经网络在结构上的一致性,提出混沌时间序列遗传算法-Volterra神经网络(genetic algorithm-Volterra neural network,GA-VNN)模型,对超短期风功率进行多步预测。该模型将实用的Volterra泛函模型和BP神经网络结合起来,解决了求解Volterra泛函模型高阶核函数的问题。同时设计了一种混沌时间序列GA-VNN模型的学习算法,在算法中利用GA全局寻优能力来优化BP神经网络,获得最优的初始权值和阀值。将上述方法应用于某风电场风功率超短期多步预测中,结果验证了所提模型的多步预测性能明显优于Volterra预测滤波器和BP神经网络。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于BP神经网络的风电功率预测研究*

为了更好地进行风机控制及系统调度,需准确预测风电功率。针对风力发电机工作过程中不能发出非常稳定的功率问题,研究了BP神经网络的原理和算法,提出了一种基于历史数据和NWP数据相结合的组合预测模型,在原始功率数据上添加风速、风向、温度历史数据,通过构建并训练BP神经网络,预测未来10min～4h风电功率。经验证,与只含历史功率数据的BP神经网络预测相比,含历史功率数据和NWP数据的BP神经网络预测精度更高、更有效。     

基于ICA-NN的短期风功率预测研究

随着风电大规模的接入电网,风电对电网的影响越来越大。由于风电出力具有随机性、间歇性和不可控性,导 致风电对电网调度运行带来巨大的挑战。为了充分利用风电,必须将风电由未知变为基本已知,提高对风电出力的 预测精度。提出一种基于帝国主义竞争算法的神经网络( ICA － NN) 方法来提高短期风功率预测的精度。在该方法 中,首先,建立一个基于多层感知器( MLP) 人工神经网络的风速预测模型,然后,用帝国主义竞争算法优化神经网络 中的权值。将该预测方法应用于新疆某风电场,验证了该方法应用于短期风功率预测的有效性,证明了该方法可以 提高短期风功率预测的精度。