基于经验模态分解和马尔科夫链的弃风电量预测

通过风电场历史功率数据和风电机组功率数据分析,把两组数据之差作为弃风电量时间序列,在此基础上将经验模态分解和马尔科夫链结合,对弃风电量进行预测。首先,将弃风电量时间序列EMD分解,提高序列的平稳性和周期性,生成9个序列分量;然后,将各序列分量进行状态划分,采用马尔科夫链分别对9个分量进行时间序列生成;最后,将各生成的时间序列进行叠加,完成对弃风电量的预测。文章以某风电场为例,对基于经验模态分解和马尔科夫链的弃风电量预测方法进行了仿真验证,结果显示,此方法能较好地跟踪弃风电量的走势,其预测精度达到了相应的要求。     

基于MEEMD-GAELM组合模型的短期风电功率预测

考虑到风电功率短期预测的准确性对电网调度具有重要作用,提出了一种由改进的集成经验稳态分解(MEEMD)与基于遗传算法优化的极限学习机(GAELM)相结合的短期风功率组合预测模型,首先对原始风功率时间序列进行总体平均经验模态分解(CEEMD),通过排列熵剔除异常分量,再对剩余分量进行经验模态分解(EMD),其结果即为MEEMD分解所得分量,对分量分别建立GAELM预测模型,将各分量预测结果相加,即得到最终预测结果。对东北某风电场实测数据进行试验表明,与传统预测方法相比,组合预测模型有效提高了短期风功率预测的精确性。     

基于VMD-WPE和SSA-ELM的短期风电功率预测研究

针对风电功率序列非线性、非平稳性特点,提出一种变分模态分解（VMD）-加权排列熵（WPE）和麻雀算法（SSA）优化极限学习机（ELM）的混合风电功率预测模型。首先,采用VMD技术将原始序列分解为多个固有模态分量,再采用WPE技术将各分量重组成若干个复杂度差异较大的子序列。然后,利用启发式SSA算法对ELM的参数进行优化,建立风电功率预测优化模型。最后,采用西北某风电场实际数据对所提模型进行验证。结果表明,与其他模型相比,所提模型提高了预测性能。     

基于EEMD的SOA-KELM风电功率概率性短期区间预测

针对风电功率概率短期区间预测问题,提出了基于集合经验模态分解(EEMD)与人群搜索算法(SOA)优化的核极限学习机(KELM)模型。首先,在风电功率非平稳性时频分析的基础上,利用EEMD将原始风电功率序列分解为不同的子序列,并对各EEMD子序列建立基于上下限直接估量的预测子模型。然后,使用SOA寻求KELM子模型输出权值上下限的最优解,以优化模型预测性能。最后,以实际数据为算例,将本文模型与粒子群优化(PSO)算法优化的5种预测模型进行对比。结果表明:EEMD-SOA-KELM模型收敛速度更快且全局收敛,可获得更加可靠优良的区间预测结果。     

基于MEEMD与排列熵的风电功率超短期预测研究

针对EMD方法存在模态混叠和IMF分量过多等问题,文章提出了一种基于MEEMD与排列熵的风电功率超短期预测方法。首先,利用MEEMD将原始时间序列分解得到各IMF分量,避免模态混叠。然后,计算各IMF分量的排列熵值,将熵值相近的分量合并,有效降低计算量。最后,用模糊树方法分别建立各分量预测子模型,通过叠加得到风电功率预测值。基于某风电场实际运行数据的预测结果表明,该方法的预测精度较高且运算速度较快,适用于风电功率的超短期预测。     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于改进CEEMD-CS-ELM的短期风速预测

针对风速序列非线性对预测结果的影响,提出一种基于改进互补集合经验模态分解和极限学习机的风速预测模型。首先对风速序列进行改进互补集合经验模态分解,并利用相空间重构得到若干新的时间序列,以降低风速序列的不平稳性。通过改进布谷鸟算法矫正极限学习机模型的输入参数,预测处理后的风速序列。通过实例仿真,比较改进前后不同模型的相对误差,说明该文预测模型的合理性。     

基于变分模态分解云模型和优化LSSVM的汽轮机振动故障诊断

针对汽轮机运行过程中的非平稳性和多分量性振动故障信号,提出一种基于变分模态分解相对熵云模型和优化最小二乘支持向量机(LSSVM)的汽轮机振动故障诊断方法。首先,利用变分模态分解按照预设尺度将故障信号分解为K个模态分量,根据各模态分量与原始信号的相对熵大小去除伪分量,提取最佳分量并将其输入云模型,采用逆向云发生器提取特征向量。然后使用改进果蝇优化算法动态调整搜索步长搜寻影响LSSVM识别精度的超参数最佳组合,最后将特征向量输入参数优化后的LSSVM进行故障识别,并与采用经验模态分解相对熵云模型和集合经验模态分解相对熵云模型的LSSVM识别结果进行了对比。结果表明:所提方法优于传统的信号分解方法,对汽轮机振动故障类别具有很高的识别准确率。     

双碳目标下基于分解-集成的月度煤电需求预测研究

月度煤电需求预测对于指导双碳目标下煤电发展及保障能源供应具有重要意义,但是月度煤电需求变化具有非平稳性、非线性的特点。为准确预测未来火电需求的变化,基于分解-集成思想,改进奇异谱分析（ISSA）将原始序列进行分解重构,得到多个不同频率的子序列,应用麻雀搜索算法（SSA）改进的极限学习机（ELM）模型预测各子序列,叠加后得到最终煤电需求预测值。以江苏省煤电需求为例,将所提方法与基于集合经验模态分解（EMD）的EMD-SSA-ELM模型和未经分解的SSA-ELM模型进行对比,结果表明所提方法能有效去除噪声分量的影响,误差值最小,平均绝对百分比误差相较于EMD-SSA-ELM与SSA-ELM分别降低8.0%和17.6%,预测精度更高,适用性更好。     

基于混合变分模态分解模型的短期风速预测

针对风速时间序列不稳定导致其难以准确预测的问题,提出一种基于最优变分模态分解(OVMD)和蝙蝠算法(BA)优化最小二乘支持向量机(LSSVM)的短期风速预测模型。采用OVMD技术,将原始风速时间序列先分解为若干个相对稳定的分量序列,然后对各个分量分别建立LSSVM模型进行预测,并采用蝙蝠算法优化LSSVM中的参数,最后对优化的分量预测模型的预测值求和,即得到原始风速序列的预测值。算例分析表明,该模型具有较高的预测精度,能有效跟踪风速的变化规律。研究成果为短期风速预测提供了新思路。     

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。     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

基于NACEMD-Elman神经网络的风功率组合预测

在电力系统中风电装机容量增长的背景下,高精度的超短期风功率预测是保证系统可靠运行的重要基础。为此,提出一种以复数据经验模态分解的噪声辅助信号分解法(NACEMD)和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用NACEMD将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络对各分量建立预测模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。实例分析表明,提出的组合预测法既可进一步减轻现有方法中存在的模态混叠现象,具备较高的预测精度。研究成果可为风功率预测提供参考。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method

Wind speed is the major factor that affects the wind generation, and in turn the forecasting accuracy of wind speed is the key to wind power prediction. In this paper, a wind speed forecasting method based on improved empirical mode decomposition (EMD) and GA-BP neural network is proposed. EMD has been applied extensively for analyzing nonlinear stochastic signals. Ensemble empirical mode decomposition (EEMD) is an improved method of EMD, which can effectively handle the mode-mixing problem and decompose the original data into more stationary signals with different frequencies. Each signal is taken as an input data to the GA-BP neural network model. The final forecasted wind speed data is obtained by aggregating the predicted data of individual signals. Cases study of a wind farm in Inner Mongolia, China, shows that the proposed hybrid method is much more accurate than the traditional GA-BP forecasting approach and GA-BP with EMD and wavelet neural network method. By the sensitivity analysis of parameters, it can be seen that appropriate settings on parameters can improve the forecasting result. The simulation with MATLAB shows that the proposed method can improve the forecasting accuracy and computational efficiency, which make it suitable for on-line ultra-short term (10 min) and short term (1 h) wind speed forecasting.     

基于风速误差校正和ALO-LSSVM的风电功率预测

风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。     

基于卷积神经网络与LightGBM的短期风电功率预测方法

考虑到风力发电存在的波动性和不确定性,提出一种基于卷积神经网络(CNN)和LightGBM相结合的风力发电机功率预测模型.先对相邻风电机组原始数据进行时序特征相关性分析,构建新的特征集;其次,应用CNN从输入数据中提取信息,并通过比较实际结果调整网络参数;再次,考虑到单一卷积模型在预测风电时的局限性,将LightGBM...     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。