基于混合深度学习模型的风速区间预测研究

风速的不确定性使风速预测难度加大，从而使风能难以被有效利用，为解决这个问题，基于卷积网络、共享权重长短时记忆网络、注意力机制和高斯过程回归，提出一种混合深度学习模型进行风速区间预测。首先采用卷积与共享权重的长短时记忆两者相融合的网络对风速序列进行特征提取，然后加入注意力机制有侧重地对特征向量加以利用，最后通过高斯过程回归进行区间预测。将该模型应用于2个风速数据集进行测试，从点预测、区间预测2个方面与其他风速预测方法进行对比。实验结果表明，所提预测模型能获得高精度预测结果及合适的预测区间。     

双模式分解CNN-LSTM集成的短期风速预测模型

为提高短期风速的预测精度,提出一种基于双模式分解、双通道卷积神经网络（CNN）和长短期记忆神经网络（LSTM）的组合预测模型以提高预测精度。首先,对经过PAM方法聚类后的风速时间序列利用奇异谱分解（SSD）和变分模态分解（VMD）2种信号分解方法进行分解,获得2类多尺度分量。不同模式的多尺度分量可降低原始风速的复杂度和非平稳性,实现不同模式模态分量规律的互补;其次,将2种分解方法得到的风速子序列合并为一个矩阵,输入到双通道CNN进行波形特征深度提取;最后,采用LSTM建立历史风速时序的时间依赖关系,在时空相关性分析的基础上得到最终风速预测结果。实验结果表明,基于双模式分解-双通道CNN-LSTM的组合预测模型可有效提高风速短期预测的精度。     

基于CEEMDAN二次分解和LSTM的风速多步预测研究

为了提高风速预测的准确性,提出一种基于自适应噪声完备经验模态分解（CEEMDAN）二次分解和长短时记忆（LSTM）网络的风速多步预测方法。该方法首先应用变分模态分解（VMD）将原始风速序列进行一次分解,充分利用其分解后的残余分量并采用CEEMDAN方法进行二次分解;然后将分解后的所有子序列分别输入到LSTM模型中进行风速多步预测;最后将各模型输出结果进行叠加获得预测风速。以内蒙古某风电场实测数据为例进行建模和预测分析,结果表明所提出的风速多步预测模型具有较高的预测精度,具备实际应用的可行性。     

基于EMD与加权马尔可夫链QR法的风电功率区间预测

提出一种基于经验模式分解(EMD)、加权马尔可夫链与分位数回归(quantile regression,QR)的风电功率概率区间预测方法。由于风功率数据与风速显著相关,首先对历史风速进行经验模式分解,得到不同频率段的风速,再以不同频率段的风速为样本,分别对其进行加权马尔可夫链预测,相加得到最终预测风速。最后将所得的预测风速代入QR预测模型,得到一定置信水平下的风电功率概率区间的上下限。以区间覆盖率和区间平均带宽为评价指标,与马尔可夫链下的QR法和加权马尔可夫链下的QR法的对比仿真表明,提出的基于经验模式分解与加权马尔可夫链下的QR法具有风电功率概率预区间预测的覆盖率更高,平均带宽更窄,精度更好的预测效果。     

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。     

融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解（VMD）、极限学习机（ELM）、长短时记忆（LSTM）的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。     

基于集成机器学习模型的短期光伏出力区间预测

为全面深挖影响光伏出力因素之间的关联信息,进一步提高机器学习模型在短期光伏出力区间预测的精度,提出一种基于集成机器学习模型的短期光伏出力区间预测方法。首先,利用快速相关性过滤（FCBF）的特征选择算法对多维的历史光伏数据及气象数据进行最优特征的提取;然后,在集成多个机器学习模型的基础上,收集训练过程中的预测误差,通过最大似然估计获取预测误差的概率分布,得到预测区间的上下限;最后,结合集成学习模型预测得到光伏出力曲线,进而得到最终的日前光伏出力预测区间。最后通过算例验证了所提模型的可靠性与优越性。     

基于区间二型模糊逻辑的短期风速预测研究

针对风速具有强随机性而难以准确预测的问题,引入二型模糊逻辑以减小预测误差.基于反向传播-奇异值分解混合迭代算法,建立了区间二型模糊模型用于风速的短期时间序列预测,首先通过反向传播算法调节模型输入及规则前、后件集合的参数,然后利用奇异值分解法优选模型规则.同时,基于反向传播算法建立了一型模糊模型和区间二型模糊模型,将其预测结果作为检验性能的基准.仿真结果表明,基于混合迭代算法的区间二型模糊模型能有效精简系统规则并提高预测精度,具有一定的实用价值.     

基于改进HHT的分钟级超短期风速预测

针对分钟级的风速具有更强随机性和非线性的问题,建立了一种基于改进希尔伯特黄变换(HHT)的分钟级超短期风速预测模型.首先,利用HHT对原始风速数据进行分解;然后,采用希尔伯特变换(HT)对分解所得各本征模态函数(IMF)进行谱分析,针对其频谱特性分别建立不同的神经网络模型进行预测;最后,分别运用权重浮动区间模型和数学解析模型求取各分量权重系数,按权重叠加各分量预测结果得到2组风速预测值,再通过优化组合得到最终预测结果.采用某风电场实际运行数据,对所建模型的可靠性进行了验证.结果表明:该方法预测效果优于原HHT组合预测模型,可有效提高风速预测精度.     

考虑CEEMDAN样本熵和SVR的短期风速预测

为降低由于风速信号的非线性和非平稳性带来的风速预测难度,提高短期风速预测的准确性,提出一种考虑样本熵的组合分解模式和支持向量回归（SVR）相结合的预测模型。首先采用自适应噪声的完全集合经验模态分解（CEEMDAN）方法分解风速历史数据,并计算各模态分量的样本熵;然后采用变分模态分解（VMD）方法对样本熵最大的模态分量进行二次分解,充分削弱风速分量的非平稳性;接着对分解得到所有模态分量分别建立SVR预测模型;最后将各分量的预测值求和完成最终风速预测。实例分析表明,所提模型对比其他模型的预测误差最小,预测精度最高,可有效预测短期风速。     

基于QR-NFGLSTM与核密度估计的风电功率概率预测

为提高风电功率概率预测精度和缩短长短期记忆网络的训练时间,提出一种基于分位数回归结合新遗忘门长短期记忆(NFGLSTM)网络与核密度估计的风电功率概率预测方法.该方法对长短期记忆网络的结构改进,提出一种新的遗忘门结构,以缩短训练时间.基于分位数回归和NFGLSTM网络建立组合预测模型,得到风电功率点预测值和某一置信度下...     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。     

Ultra short‐term probability prediction of wind power based on LSTM network and condition normal distribution

Considering the inevitable prediction errors in the traditional point predictions of wind power, in this paper, a new ultra short‐term probability prediction method for wind power is proposed, in which the long short‐term memory (LSTM) network, wavelet decomposition (WT), and principal component analysis (PCA) are combined together for ultra short‐term probability prediction of wind power, a conditional normal distribution model that is developed to describe the uncertainty of prediction errors. First, WT and PCA are jointly used to smooth the original time series, then the point prediction model for subsequence data based on LSTM network is proposed. It is worth pointing out that the input matrix of the model includes many features, such as wind power and wind speed, which will be helpful for improving prediction performance. After optimizing the index of the ultra short‐term probability prediction interval (PI) of wind power by particle swarm optimization (PSO), the conditional normal distribution model of prediction errors is developed. Thus, the ultra short‐term PIs for wind power are obtained. Finally, based on the data of two wind farms in China, simulation results are provided to illustrate the usefulness of the proposed prediction model. It follows from those results that the proposed method can improve the accuracy of prediction, and the reliability of probability prediction for wind power is also improved.     

基于多层语义融合注意力机制的短期风电功率概率密度预测方法

获得未来风电功率的短期概率性信息将有助于电网的综合能源调度,为此提出一种结合多层语义融合注意力机制的短期风电功率概率密度预测方法。为尽可能获得更多语义层下的编码信息,在编码阶段引入循环高速网络（RHN）并通过深层的RHN网络结构最大程度地提取输入特征的底层关联信息。设计多层语义融合注意力机制以融合不同语义层下的局部注意力向量,进一步加强编码特征向量的表达能力,并将网络的输出与分位数回归和核密度估计方法结合,得到不同分位点下未来短期风电功率的预测结果与连续概率密度分布。实验结果表明：提出的短期风电功率概率密度预测方法不论是在预测的得精度上,还是在具有不确定性的预测结果分布上均优于其他比较模型。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于深度卷积自编码器的风电机组故障预警方法研究

通过风电机组状态监测进行故障预警,可防止故障进一步发展,降低风场运维成本。为充分挖掘风电机组监控与数据采集（SCADA）各状态参数时序信息,以及不同参数之间的非线性关系,该文将深度学习中自动编码器（AE）与卷积神经网络（CNN）相结合,提出基于深度卷积自编码（DCAE）的风电机组状态监测故障预警方法。首先基于历史SCADA数据离线建立基于DCAE的机组正常运行状态模型,然后分析重构误差确定告警阈值,使用EMWA控制图对实时对机组状态监测并进行故障预警。以北方某风电场2 MW双馈型风电机组叶片故障为实例进行实验分析,结果表明该文提出DCAE状态监测故障预警方法,可有效对机组故障提前预警,且优于现有基于深度学习的风电机组故障预警方法,可显著提升重构精度、减少模型参数和训练时间。     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。