基于灰色关联分析和黑洞粒子群优化算法的短期风电功率预测

短期风电功率的预测是保障风电场持续稳定运行以及电网调度的重要因素。选择最小二乘支持向量机（LSSVM）作为预测模型,使用灰色关联分析法对影响风电功率的因素进行权重比较,并使用黑洞粒子群算法（BHPSO）对 LSSVM的回归性能参数进行优化,建立了基于灰色关联分析和 BHPSO 的 LSSVM短期风电功率预测模型。对山东某风电场提供的数据进行仿真研究,并与 LSSVM模型和 BP 神经网络模型进行对比分析。验证结果表明,基于灰色关联分析和 BHPSO 的 LSSVM模型的预测效果最好。     

考虑风电场布局以及风向角的风电功率预测

指出在对风电场功率进行超短期预测时,将风电场所有机组等值为一台机进行整体预测的不足之处,并通过预测实例的对比,验证了机组的不同布局方式对整体预测功率的影响。建立了考虑风向的风电场超短期功率预测模型,通过预测实例,证明风向对风电场整体功率出力具有较大的影响,显示出在进行风速预测的同时应进行风向预测以提高功率预测精度的重要性。     

基于MEEMD-LSSVM的风电功率超短期预测研究

针对风能的波动性和间歇性,提出了一种基于改善集成经验模式分解（MEEMD）和最小二乘支持向量机（LSSVM）的风电功率超短期预测方法,首先利用MEEMD将功率序列根据频率高低分解为特征不同的本征模态分量（IMF）,然后计算各IMF的样本熵,合并熵值相似的IMF分量。对合并之后的各IMF分量分别进行LSSVM子模型建模,最后将各分量建模结果叠加得到功率预测曲线。基于大连风电场现场数据的检验结果说明,该方法预测精度较高且运算时间合理,适用于工程上风电功率的预测。     

基于多位置NWP和门控循环单元的风电功率超短期预测

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响。为充分利用NWP信息,考虑多个风电场的空间相关性,提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型。首先,通过随机森林分析多位置NWP信息对风电场发电功率的重要程度,利用累积贡献率提取NWP中的有效信息,将加权的NWP信息与历史功率数据作为预测模型的输入变量。然后,选取改进的灰狼寻优算法对门控循环单元的参数进行优化,建立多变量时间序列预测模型,进行风电场发电功率的超短期预测。最后,选取中国某风电场的实测数据进行算例分析,验证了所提方法的有效性和可行性。     

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。     

地区电网风电场功率超短期预测方法

针对某地区电网并入多个风电场的情况,论证分析了所有风电场总输出功率变化较单一风电场输出功率变化具有更好的规律性,引入风电总量与风电分配因子这2个概念,提出超短期风电场功率预测模型和求解方法.主要内容包括:风电总量、风电分配因子以及它们之间的随机关联规律;最小二乘支持向量机和卡尔曼滤波技术对风电总量和风电分配因子的自适应动态预测算法;基于关联规律间接实现风电场输出功率的超短期预测.通过实例验证,表明所提出的预测方法无论是在风电场功率预测精度、还是在预测误差分布范围方面都有明显改进.     

基于WD-LSSVM-LSTM模型的短期电力负荷预测

为了提高短期负荷预测精度,提出一种基于小波分析、粒子群优化(PSO)算法、最小二乘支持向量机（LSSVM）和长短时记忆网络（LSTM）的预测模型。该方法通过对用电负荷进行小波分解和重构得到与原始数据长度相同的分量,对低频分量建立LSSVM预测模型并利用PSO算法找出最优参数,对高频分量建立LSTM预测模型,将各分量预测结果组合实现最终的负荷预测。实验结果表明,该模型预测精度优于传统LSSVM模型、BP神经网络模型和WD-LSSVM模型,验证了其可行性。     

基于广义回归神经网络的NWP风功率超短期预测方法的研究

随着风电装机规模的不断扩大,对电网安全稳定经济运行的影响日益显现,因此风电的功率预测越来越重要。利用实际风电场风速数据,将广义回归神经网络（GRNN）建模理论及方法与数值天气预报（NWP）相结合,同时采用4h滚动预测方法,建立了基于GRNN的NWP超短期预测模型,并将此模型应用到实际风电场风功率预测系统中。     

基于长短期记忆网络的风电场发电功率超短期预测

精确的风电场发电功率超短期预测对电力系统的经济调度和安全稳定运行意义重大。为充分利用多数据源中的有效信息来进一步提高风电场超短期发电功率的预测精度,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的多变量风电场超短期发电功率预测方法。该方法首先利用距离分析法筛选出与风电功率相关程度高的变量,进而降低数据的规模和复杂程度。然后利用LSTM网络对多变量时间序列进行动态时间建模,最终实现对风电功率的预测。采用美国加州某风电场的实测数据进行验证,结果表明,文中方法能够有效利用多变量时间序列进行风电场发电功率的超短期预测,较人工神经网络和支持向量机拥有更高的预测精度。     

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。     

Short-term wind power prediction based on extreme learning machine with error correction

Introduction: Large-scale integration of wind generation brings great challenges to the secure operation of the power systems due to the intermittence nature of wind. The fluctuation of the wind generation has a great impact on the unit commitment. Thus accurate wind power forecasting plays a key role in dealing with the challenges of power system operation under uncertainties in an economical and technical way. Methods: In this paper, a combined approach based on Extreme Learning Machine (ELM) and an error correction model is proposed to predict wind power in the short-term time scale. Firstly an ELM is utilized to forecast the short-term wind power. Then the ultra-short-term wind power forecasting is acquired based on processing the short-term forecasting error by persistence method. Results: For short-term forecasting, the Extreme Learning Machine (ELM) doesn’t perform well. The overall NRMSE (Normalized Root Mean Square Error) of forecasting results for 66 days is 21.09 %. For the ultra-short term forecasting after error correction, most of forecasting errors lie in the interval of [?10 MW, 10 MW]. The error distribution is concentrated and almost unbiased. The overall NRMSE is 5.76 %. Conclusion: The ultra-short- erm wind power forecasting accuracy is further improved by using error correction in terms of normalized root mean squared error NRMSE).     

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine, LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition, SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVM Lab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5分钟的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较强的鲁棒性,为风力微电网优化调度控制工程提供一种新思路。     

一种风电功率简易预测模型

风电功率预测逐步成为研究热点,为提高预测精度,预测模型日趋复杂化。通过对风电出力特性的研究,针对风电功率超短期预测问题,提出一种简易预测模型。首先利用滑动平均法将风电功率简单分离成趋势分量和波动分量,并根据两类分量的变化特征分别建立自回归滑动平均模型和极限学习机模型进行预测。算例结果表明该模型能较好的拟合风电出力序列变化情况,具有良好的应用前景。     

结合多重聚类和分层聚类的超短期风电功率预测方法

提出了一种结合多重聚类算法和分层聚类算法的超短期风电功率预测方法。为了处理训练样本动态,识别与待预测时段特征相似的样本,对历史功率序列和历史气象序列分别进行聚类处理。功率序列的聚类指标由欧氏距离和协方差组成,气象序列的聚类采用逐层划分的方法,并将聚类结果组合成多个样本子集。利用分类建模-特征匹配的思路建立多个粒子群优化-反向传播(PSO-BP)神经网络预测模型,并调用与待预测时段特征最相似的预测模型。将所提预测方法用于青海某风电场的实际算例,实验结果表明,该方法可以提高超短期风电预测的准确性。     

基于AMD-ICSA-SVM的超短期风电功率组合预测

针对风机出力的随机性、波动性和不确定性,提出了一种基于解析模态分解(AMD)和改进布谷鸟优化支持向量机(ICSA-SVM)参数的超短期风电功率组合预测方法。首先,利用解析模态分解将风功率序列分解为不同频率范围的分量,减小不同频率范围间的相互影响。然后针对各序列特点,采用改进布谷鸟方法分别寻找各自支持向量机的惩罚因子参数和核函数参数,以提高单个模型的预测精度。最后对预测结果进行叠加和误差分析。仿真算例表明,所提出的方法可以很好地跟踪风电功率的变化,有效地提高风电功率预测精度。     

基于独立稀疏SAE的多风电场超短期功率预测

为应对多风电场超短期预测模型中输入和输出变量众多、变量间的时空关系复杂等问题,提出一种基于独立稀疏堆叠自编码器的多风电场超短期功率预测方法.该方法基于降维编码、特征预测和重构解码相结合的预测框架,首先设计了一种独立稀疏双层堆叠自编码器提取多维风电功率的空间独立特征,并将其作为预测对象分别预测,最后将特征预测的结果重构解...     

基于混合智能技术的微电网剩余负荷超短期预测

对微电网中分布式电源发电量和短期负荷的准确预报是微电网运行控制和能量管理的重要基础。提出了微电网剩余负荷的概念和计算方法,分析了微电网剩余负荷超短期预测的特点和影响因素。在考虑微电源历史输出功率、微电网历史负荷以及本地气象因素的同时,综合运用k均值聚类分析、遗传算法和人工神经网络建立了微电网剩余负荷超短期预测模型。搭建了一个含有风电、燃气轮机和燃料电池的微电网仿真模型,仿真结果表明,模型中分布式电源发电量和微电网负荷的预测结果与实测数据非常吻合,验证了模型的预测精度。     

风电功率预测系统测试平台的研究与应用

为保证风电功率预测系统运行的可靠性以及预测结果的精确度,搭建了风电功率预测系统测试平台,测试平台主要包括对预测系统的功能、预测性能、稳定性、可靠性、易用性等多项测试的软件功能测试以及风电功率预测结果的准确性以及可靠性测试。运用该测试平台对某风电场预测系统进行测试,结果显示该系统风电功率短期和超短期预测结果的平均绝对误差、均方根误差、准确率以及合格率4项指标均满足要求,表明该测试平台能够对风电功率预测系统的各主要指标进行全面地评估。     

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。