基于IBA-KELM的风电功率区间预测方法

在电力系统对功率预测提出更高要求的形势下,风电功率区间预测的方法已经逐渐成为新的热点。文章利用预测区间(PIs)的思想来估计风电场输出功率的不确定性。在优化区间预测目标函数的基础上,利用核极限学习机(KELM)学习速度快,泛化能力强的优点,提出一种基于KELM的风电功率区间预测模型。并使用改进后的蝙蝠算法(IBA)对模型的参数进行优化。为了克服BA易陷入局部最优的缺点,增加了其搜索时的多样性,并加入动态惯性权重,使其收敛速度更快。最后,用河北某风电场的数据进行实验仿真,与传统BP神经网络模型和BA-ELM模型对比分析,结果表明文章提出的预测方法具有速度快,精度高的优点。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要.针对极限学习机(ELM)随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法(SSA)优化极限学习机的组合预测模型(SSA-ELM).利用收敛速度快、...     

数据分辨率影响风电功率预测精度分析

目前对风电功率短时预测的研究主要集中在预测方法上,而缺乏对数据本身特性的探讨。从实测数据出发,呈现3种典型分辨率5 min、10 min、15 min,并结合Elman神经网络算法对超短期（4 h）和短期（24 h）的风力发电机输出功率进行预测分析。结果表明：分辨率为10 min的原始数据对风电输出功率的超短期预测具有更好的结果,15 min分辨率的数据对风电功率的短期预测结果更佳。采用合理分辨率的数据后,能够有效地提高风电功率的预测精度。     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题,提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先,在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制,通过自注意力机制自适应的选择输入特征,并通过时间注意力机制捕获风电数据时间序列的长时间依赖性;判别模型采用卷积神经网络,提高模型的预测精度。其次,将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数,以提高模型的稳定性,同时为解决判别器缓慢学习的问题,引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后,以甘肃省酒泉市某风电场的实际运行数据为例,验证SAM-WGAN-GP模型不仅能自适应选择输入特征,而且可捕捉风电数据的长时间依赖性,并提高预测精度。     

基于CEEMD-PSR-FOA-LSSVM的短期风电功率预测

为提高短期风电功率预测精度,针对风电功率波动性大、非周期性和非线性强的特点,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-相空间重构(phase space reconstruction,PSR)-果蝇优化算法(fruit fly optimization algorithm,FOA)-最小二乘支持向量机(least squares support vector machine,LSSVM)的组合预测方法。首先,运用CEEMD算法把风电功率序列分解为若干个分量,并用PSR算法来确定LSSVM建模过程中各个分量的输入和输出;然后,采用FOA算法优化LSSVM建模中的参数,并用训练好的LSSVM对各个分量进行单独预测;最后,用某风电场的实测数据对该组合预测方法进行验证。结果表明,与单独的LSSVM方法和FOA-LSSVM方法预测结果相比,建立的组合模型预测方法精度更高,对风电功率的短期预测更为有效和适用。     

基于EEMD-ACS-LSSVM的短期风电功率预测

建立一种集成经验模态分解(EEMD)和改进最小二乘支持向量机(LSSVM)相结合的短期风电功率预测组合模型,以提高风电场输出功率的预测准确率。首先运用EEMD将功率历史数据分解为一系列相对平稳的子序列,以减轻不同趋势信息间的相互影响;然后采用相空间重构将已分解的子序列进行重构,接着对重构后的子序列分别建立合适的预测模型,降低预测风险,使用自适应布谷鸟算法(ACS)优化最小二乘支持向量机参数,寻找全局最优解;最后将各个子序列的预测结果叠加得到最终预测结果。通过对新疆某风电场输出功率进行预测,结果验证了EEMD-ACS-LSSVM模型的有效性,具有更好的跟踪效果、预测精度。     

基于小波PLS的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行具有重要意义。针对风电的间歇性和波动性,以及传统物理方法预测精度低,提出了物理方法和小波PLS相结合的风电功率预测算法。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量有较好的解释能力,且有利于提高风电功率的预测精度。最后通过某风场的实际运行数据对该算法进行了验证,将其他预测模型的预测结果与物理方法和小波PLS的组合预测结果进行了对比,结果表明文章预测法方精度更高,效果更好。     

基于BiLSTM和Bootstrap方法的风电功率区间预测

风能具有较强的波动性和随机性,造成了现有风电功率预测方法的误差较大,严重影响了电力系统的安全稳定性。针对上述问题,文章提出一种基于双向长短期记忆网络(BiLSTM)和自助法(Bootstrap)的风电功率区间预测方法。该方法强调了风电功率数据间关联程度的重要性,将原始风电功率数据和测风塔提供的风速历史数据构成多变量时间序列,同时构建双向长短期记忆网络模型提高预测结果的精确度。引入Bootstrap方法增加样本的多样性,再利用人工蜂群算法(ABC)的强搜索能力对模型的超参数进行优化,最终得到区间预测的结果。以某风电场历史运行数据为例,通过与长短期记忆网络(LSTM)等现有方法在给定置信水平下的预测结果进行对比,验证了所提方法的有效性。     

基于混合优化算法的风电功率预测方法研究

准确的风电功率预测可以减少风电对电网的负面影响、降低电力系统的运行成本.风电功率预测在电力现货交易中具有重要意义,但风电功率序列不稳定,给预测带来困难.为提高预测精度,将变分模式分解(VMD)、最大相关最小冗余度算法(mRMR)、长短期记忆神经网络(LSTM)和萤火虫算法(FA)相结合,建立了一种混合优化算法.首先,利...     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型.BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重.最后采用内蒙古自治区某风电场的历史数据进行提前0～15 min试验.结果表明,提出的IPSO-BiLST...     

基于膨胀腐蚀聚类方法的风电功率预测

提出一种基于膨胀腐蚀的聚类方法,并利用UCI(university of california irvine)数据集进行实验仿真证明此方法的可行性。将此聚类方法应用于风电功率预测中的NWP(numerical weather prediction)信息分类,选择与预测日同一类的历史日数据作为训练样本,利用广义回归神经网络预测功率,并与直接预测的方法相比较,仿真结果表示基于膨胀腐蚀对历史日数据分类后再预测的精度较高。     

考虑测风数据缺失的短期风电功率预测算法

准确的风电功率预测是提高电网稳定性、增加风电场竞争力的重要途径。文章提出了一种以虚拟测风塔技术对测风塔数据进行预处理的方法,对缺失数据进行补全,利用RBF神经网络建立风速预测模型,拟合风速功率曲线得到风电功率预测结果。实验分析显示,基于虚拟测风塔技术的数据预处理方法可有效增加测风数据完整度,提高预测精度,降低风电场的运行维护成本,进一步提高风电场竞争力,具有实际应用价值。     

基于最优权系数的风电功率组合预测方法

摘要： 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。     

基于前置分解组合预测方法的风电功率爬坡预测研究

我国高集中大规模的风电并网发展模式,使风电功率的波动性和不确定性对电网稳定造成越来越大的影响。在目前风电功率爬坡研究的基础上,提出了一种结合前置分解的组合预测算法,并建立了组合预测模型。通过对风电功率爬坡事件的特性分析,对其进行了有效地预测。文章以上海市启东风电场的风电功率数据为实例,通过仿真验证了所提出的组合预测算法能有效地进行风电功率爬坡预测,其预测精度比当前的预测算法有所提高。     

风电功率预测系统评价方法研究

风电功率预测评价是量化功率预测对电力系统贡献价值、提高预测系统精度的重要依据,而目前常用的评价指标对误差特性反映不够全面,且未考虑对电力系统影响。文中基于RBF和SVM算法建立了风电功率短期预测模型、超短期预测模型和负荷预测模型,用于分析现有评价指标在反映预测结果特征时的局限性。然后,在此基础上提出了平均趋势偏差、友好度和时间延迟三个具有创新性的评价指标。最后,以中国北方某风电场实际运行数据为例对新指标的优越性进行验证。结果表明,所提出的新指标能够反映出预测结果的整体偏差、与电力系统状态之间的关系和时序特征,对风电功率预测系统改进以及电力系统制定发电计划、实时调度具有指导意义和参考价值。     

面向风电功率超短期预测的风电数据时间尺度优选方法

提出一种基于优度指标I的优选方法,通过对不同时间尺度风电数据复杂度和风电功率预测效果的量化对比分析,确定用于风电功率预测的最优时间尺度。基于实测风电数据的算例表明,选取不同数据时间尺度会对风电功率预测精度产生影响,且基于优度指标I以及预测误差的分析结果一致表明15 min的风电数据最适合用于风电功率预测。     

基于短期风功率预测的数据预处理算法研究

针对实测风速和功率数据中包含奇异点以及同一风速下风功率存在较大范围波动的问题,文章提出一种数据预处理算法。首先,采用拉依达准则剔除风速和功率奇异点;再使用优化的一次指数平滑法及最大皮尔逊相关系数对风速进行平滑处理;最后,利用新疆阿勒泰地区某风电场单台风机的实测数据进行验证分析。以文章提出的预处理方法得到的风速作为BP神经网络预测模型的输入,风功率的预测准确度显著高于已有预处理方法得到的结果。     

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。     

基于数据修正的概率稀疏自注意短期风电功率预测

风电功率的短期精确预测对提高风能利用效率具有重大意义。提出了一种基于数据修正的概率稀疏自注意风电功率预测方法。首先,将来自风电场采集的风电数据进行清洗、缺失值重构;然后采用Informer预测模型,加入概率稀疏自注意、蒸馏机制,使模型的训练速度与预测的精度都得到了有效提升。结果表明,本文所提出的方法能够提高数据质量,且拥有更高的预测效率和精度。     

基于EWT-ESN的短期风电功率预测研究

针对风电功率具有强非线性的特点,提出一种经验小波变换(EWT)和回声状态网络(ESN)的短期风电功率组合预测方法。EWT吸取了经验模态分解(EMD)和小波分析各自的优点,核心思想是根据信号中包含的频谱信息建立基于傅里叶支持的小波滤波器组。首先,通过提取频域极大值点对信号的Fourier谱进行自适应的划分,然后根据信号频谱特性构造正交小波滤波器组来提取信号中包含的具有紧支撑Fourier频谱特性的调幅-调频(AMFM)分量。EWT是在小波框架下建立的自适应信号分解方法,相比于EMD,其具有理论性强,计算量小,分解的模态数量少的优点。该文采用EWT将原始风电功率序列分解为具有特征差异的的不同分量,采用ESN对各分量分别预测并叠加来得到最终的预测结果;最后,将EWT-ESN方法应用在国内外两个短期风电功率实例中,实验结果表明,该文方法可有效提高风电功率预测的精度。