一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

计及风电场状态的风电功率超短期预测

风电功率的随机波动性是风电功率预测精度提高的瓶颈问题。一方面,风速的波动性使得风电功率是波动的;另一方面,风电场将风能转化为电能的能力也会在一定程度上造成风电功率波动。该文首先分析在功率预测中计及风电场状态的必要性,然后利用随机矩阵理论评估风电场状态,以此为基础提出计及风电场状态的风电功率超短期预测方法。算例结果表明,该方法可以有效的提升风电功率超短期预测精度。     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率...     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

基于小波变换与IAGA-BP神经网络的短期风电功率预测

为提高风功率预测精度,减轻输出风能波动性对风电并网不利影响,提出了基于WT-IAGA-BP神经网络的短期风电功率预测方法。首先,利用风速分区、3σ准则及拉格朗日插值法清洗风电场历史数据;其次,依据小波重构误差,选择db4小波分别提取风速、风向、历史风功率的不同频率特征信号,并引入改进自适应遗传算法(IAGA)对各序列BP神经网络的初始权值与阈值寻优,使用Sigmiod函数通过适应度值自适应改变交叉概率与变异概率;最后,构建各序列的WT-IAGA-BP模型对短期风功率组合预测。通过仿真分析,并与ELM、WT-ELM及IAGA-BP方法对比,验证该方法具有更高的预测精度和更好的预测性能。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于融合模型的风电场输出功率短期预测方法

风电场功率短期预测对并网风力发电系统的运行有着重要意义,在考虑风速、温度、海拔等影响风电功率的主要因素的基础上,为提高风电场短期输出功率的预测精度,提出基于风速与风电功率的融合预测模型。首先针对风电功率的直接预测,采用自回归时间序列和广义回归神经网络的组合模型来预测;然后再利用该组合模型预测风速,根据风速与风电功率的关系间接求出预测的风电功率;最后将前两种组合预测模型进行再次组合,得到融合预测模型。以吉林洮北风电场的短期功率预测为例,运用Matlab软件编程实现本文所提出的算法,验证模型的准确性与可行性,得到融合预测模型的预测相对误差为7.156%,可有效提高大型风电场输出功率的预测精度。     

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。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,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电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

用于短期风速预测的优化核心向量回归模型

风能的不确定性和难以准确预测给风电并入电网带来了困难。风速是影响风能的重要因素,风速的预测精度对风电功率预测的准确性有重要影响。提出一种优化的核心向量回归（CVR）模型,进行短期风速预测。其风速数据从某风电场每隔1 h采集1次,并采用粒子群优化（PSO）算法对CVR模型的参数进行优化,利用优化后的CVR模型进行风速预测。试验结果表明,在时空复杂度相当的情况下,该方法具有比CVR和SVR（support vector regression ）更高的预测精度。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测

现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄。     

基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

基于APSO-GSA和相关向量机的短期风电功率预测

精确的短期风电功率预测建模对于提升新能源电力系统经济稳定运行十分重要。针对传统预测方法在小样本学习、精细化建模、概率性预测等方面的不足和易陷入局部最优的影响,首先以相关向量机(RVM)理论为核心,建立了基于RVM的风电功率预测模型。然后,针对万有引力搜索算法(GSA)缺少跳出局部最优机制和群体记忆功能,提出了一种结合自适应粒子群算法(APSO)的APSO-GSA混合优化算法,利用该算法对RVM模型参数进行优化。最后,以中国西北某风电场运行数据为例进行验证。结果表明,所提方法具有更高的建模精度和更快的收敛速度,实现了利用少量样本和简单模型对未来时刻风电功率的精确预测。     

基于模糊理论和逆推算法改进均值生成函数的短期风速预测研究

准确预测风速对包含风电场的电力系统运行至关重要。为提高短期风速预测模型的精度、实用性,针对风速时间序列既有随机波动性又有趋势性的特点,提出了一种基于模糊理论和逆推算法改进均值生成函数的短期风速预测方法。首先利用模糊理论和逆推算法对均值生成函数进行了改进,推导出模糊均生函数,然后将其与最优子集回归模型相结合,建立短期风速预测模型。实例分析表明,与传统均值生成函数模型及经典的ARMA预测模型相比,所建新模型集合了均值生成函数和模糊理论以及逆推算法的优点,有效提高了短期风速的预测精度,具有良好的工程应用前景。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于小波变换和改进萤火虫算法优化LSSVM的短期风速预测

准确预测风速对风电规模化并网至关重要。为提高短期风速预测精度,提出一种基于小波分解和改进的萤火虫算法优化最小二乘支持向量机超参数的风速预测模型。首先利用小波变换将风速时序分解为近似序列和细节序列,然后对各序列分别利用一种新颖的混沌萤火虫算法优化LSSVM进行预测,最后将各序列预测值叠加得到最终风速预测值。在两种时间尺度的实测数据上进行仿真计算。结果表明,该算法较交叉验证的LSSVM, IPSO-LSSVM, WD-DE-LSSVM及BP神经网络等多种经典算法预测精度更高,表明了该算法的有效性和优越性。     

基于自适应变异蝙蝠优化BP神经网络的短期风电功率预测

风电规模化并网技术的大力发展,进一步增大了对电力系统规划与运行的影响。现今,风电机组出力面临着波动的随机性以及不确定性的技术性问题,为了提高短期风电功率预测的精度,文中提出了一种结合基于群体适应度方差自适应变异的蝙蝠优化算法(AMBA)与BP神经网络算法,就短期风电功率进行精准预测。该模型根据群体适应度方差以及当前最优解的数值来定位当前最优个体的变异概率,并对全局最优个体进行t分布变异,对变异后的蝙蝠个体进行二次寻优。利用AMBA优化BP神经网络中包含的网络参数,进而提高了BP神经网络的预测精度。通过对实例进行分析,将AMBA-BP模型预测效果与其他模型预测结果相对比。结果表明,该模型能有效提高短期风电功率预测精度。