排序方式: 共有18条查询结果,搜索用时 15 毫秒
1.
基于多嵌入维数的风力发电功率组合预测模型 总被引:1,自引:0,他引:1
为了减小混沌系统的重构参数对预测结果的影响,提出了基于多嵌入维数的风力发电功率组合预测模型.分别使用线性加权算法和神经网络算法对单一的基于相空间重构的神经网络模型进行组合,既综合了各嵌入维数下的信息,又将各维数下的预测偏差进行融合,从而有效提高了预测精度.通过对黑龙江富锦风电场的功率时间序列进行验证,证实了该组合模型的有效性,神经网络非线性组合算法的预测误差小于7%. 相似文献
2.
综合考虑光伏功率受气象因素影响所呈现出的规律性和波动性,对光伏功率波动类型进行划分与聚类识别提出一种基于波动特性挖掘的短期光伏功率预测方法,。在此基础上,利用数值天气预报和基于互信息熵的相关性分析法提取各类功率波动对应的天气波动特征及其强相关气象因子,建立基于波动特性挖掘的长短期记忆网络组合预测模型,挖掘天气波动与光伏功率波动之间的潜在映射规律。最后,识别出待测日天气波动类型与预测模型之间的匹配关系,利用组合预测模型实现光伏功率预测。通过对中国西北地区某光伏电站的预测分析,验证了所提预测方法的有效性。 相似文献
3.
4.
5.
6.
提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。 相似文献
7.
8.
采用经验模态分解和滚动神经网络相结合的方法对风电功率时间序列进行短期预测。通过经验模态分解将信号分解成有限个固有模态函数(IMF)之和,利用多个神经网络对各IMF进行预测,同时采用滚动学习的方法修改权值和阈值,最后重构得到完整的预测结果。通过对内蒙古赛罕坝风电场的发电功率进行仿真预测,证实了该模型的有效性,与persistence模型相比较,平均绝对误差从12.55%降低到10.20%。 相似文献
9.
风电场发电功率的建模和预测研究综述 总被引:10,自引:0,他引:10
随着大量风电并入电网中,为了合理制定发电计划,保证电力系统稳定运行,需要对风电输出功率进行预测.首先根据建模的方法和预测模型的对象两个分类标准,归纳总结了目前风电功率预测研究的模型和方法,然后简要概括了国内外的研究现状,最后提出了风电功率预测模型的改进方向. 相似文献
10.
随着分布式光伏发电装机占比的不断提高,对分布式光伏发电功率预测提出了新的要求。但由于运行成本的约束,分布式光伏电站难以直接建立功率预测模型,为此提出了一种基于卫星云图和改进晴空模型的太阳辐照度超短期预测模型。首先,基于最小二乘法对美国采暖、制冷和空调工程师协会(American Society of Heating,Refrigerating and Air-conditioning Engineers, ASHRAE)模型进行改进,并由改进ASHRAE模型计算待测场站的理论晴空辐照度;然后,基于灰度共生矩阵和差分自回归滑动平均(autoregressive integrated moving average,ARIMA)模型获取待测场站未来1~4h的云团遮蔽特征;最后,利用该云团遮蔽特征和数值天气预报(numerical weather prediction,NWP)信息建立基于长短期记忆网络(long short-term memory,LSTM)的修正算法对理论晴空辐照度进行修正,得到未来1~4h的太阳辐照度预测结果。研究结果表明:通过该模型预测得到的太阳辐照度的月均方根误差为7... 相似文献