基于集成经验模态分解和最小二乘双支持向量回归机的风速预测算法研究

为有效解决风电大规模并网过程中面临的并网难和弃风等问题,实现可再生能源大规模平滑并网并保证大电网的安全稳定运行,采用集成经验模态分解(ensemble empirical mode decomposition,EEMD)和最小二乘双支持向量回归机(least square twin support vector regression,LSTSVR)算法进行风电场风速预测。分别介绍了LSTSVR、EEMD及自适应变异粒子群算法原理。给出基于EEMD和LSTSVR的风速预测流程,以安徽女儿岭风电场测风声雷达30、70 m处风速采样数据为例,开展基于EEMD和LSTSVR的风速预测算法验证,预测结果误差分析表明:基于EEMD+LSTSVR+自适应变异粒子群算法可以实现风电场风速的高精度预测。     

基于神经模糊网络的短期风电预测

本文利用中尺度NWP模型,以半小时为间隔,对风电场参考点未来36小时的气象变量进行了预报,提出了一种基于神经网络和模糊逻辑相结合的混合计算智能技术的风力发电预测统计模型.利用该统计模型对NWP模型输出、SCADA和风塔的实测数据进行处理,准确预测风电场中各风机的风电功率.同时介绍了网络结构和训练算法,并将该预测方法应用于我国某实际风电场的风电预测.预测风电与实际风电之间的均方根误差(RMSE)小于20％.预测结果表明,训练后的神经模糊网络对风电场建模和风电预测具有较强的应用价值.由于神经模糊网络的适应性,该方法可集成到在线风电预测系统中,在运行过程中自动调整.     

基于经验模态分解法优化支持向量机模型的日前风电功率组合预测

针对风电场日前风电出力预测问题,应用一种基于经验模态分解法优化支持向量机的算法的短期风电功率组合预测方法。首先采用经验模态分解法将历史风电功率数据分解为一系列相对平稳的分量序列,以减少不同特征信息间的相互影响,然后采用优化的支持向量机法对所分解的各分量序列分别建立预测模型,针对各分量自身特点选用不同的核函数和参数以取得单个分量的最佳预测精度,最后把各个分量的预测结果叠加,形成风电功率的最终预测值。算例表明,与其他单一预测方法相比,本文使用的组合算法预测精度更高。     

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

二次分解组合LSTM的短期风电功率预测模型

随着风电在电力系统中的占比逐步提高,风电功率的精确预测对电力系统的安全稳定运行具有重要意义。然而,风电的随机性和间歇性极大地影响其功率的精确预测。为此,提出二次分解组合长短期记忆(LSTM)的短期风电功率预测模型。首先,采用经验模态分解(EMD)技术将原始风电序列分解为若干固有模态分量;再采用样本熵(SE)技术将各分量重组为高、中、低频3个序列,针对高频模态混叠再次采用麻雀搜索算法-变分模态分解(SSA-VMD)二次分解技术;最后,采用SSA算法对LSTM的参数进行寻优并完成风电功率预测。以湖北省某风电场对所提模型进行验证,并与其他模型进行对比。结果表明,所提模型的平均绝对误差(MAE)为5.79 kW,均方根误差(RMSE)为5.64 kW,平均百分比误差(MAPE)为17.38%,具有更好的预测精度。     

风电场生产运行测风塔选型选址方法综述

为了协助解决新能源消纳问题,可以在风电场选择一个恰当的位置建立生产运行测风塔对风电场进行风资源监测、发电量后评估以及超短期功率预测。为了保证测量精度,生产运行测风塔的选址问题就至关重要。由于安装了风电机组,投入运行的风电场与前期设计阶段相比,场内的流场状况发生了很大变化,流场的变化导致对风电场最具代表性的位置也发生了变化,因此生产运行测风塔要在考虑流场变化的情况下选择最具代表性的位置建立。文章概述了生产运行测风塔与前期设计阶段测风塔安装条件的区别,总结了生产运行测风塔的选址原则,对生产运行测风塔选址工作提出了建议。     

基于经验模态分解和小波包分解的组合风电功率预测模型分析

为了提高风电场输出功率的预测精度,提出一种基于经验模态分解(empiricalmode decomposition,EMD)与小波包分解(wavelet packet decomposition,WPD)的组合分解方法,与纵横交叉算法(crisscross optimization,CSO)优化后的Elman神经网络组成组合风电功率预测模型。该模型首先利用EMD将风电功率序列进行分解,然后利用样本熵计算EMD分解后序列的复杂度。对于高复杂度序列,利用WPD对序列进行二次分解,建立EMD-WPD-CSO-Elman预测模型;对于复杂度适中的序列,采用CSO优化Elman神经网络参数,建立EMD-CSO-Elman预测模型;对于低复杂度序列,直接建立EMD-Elman预测模型。最后叠加各个序列的预测结果,得到最终的风电预测功率。以某风电场实际采集数据为例,预测提前24 h的风电功率,并与EMD-WPD-CSO-BP、EMD-Elman及WPD-Elman预测模型比较,结果表明,本文提出的风电功率预测组合模型具有更好的精度。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

西北电网区域（酒泉）调度测风网络规划研究

针对甘肃酒泉千万千瓦级风电基地的风电场规划,在大量实地查勘的基础上,根据各个风电场的面积大小、地形状况、开发规模,并充分考虑风电功率预测的需求以及测风塔实地建设的可行性,采用统计与理论分析、流体力学模型模拟典型风速分布等方法,提出合理的测风网络布局方案。为实现高精度、大区域范围的风能资源评估和风电功率预测提供技术支持,服务于风电大规模开发和上网输送。     

基于小波变换和BP神经网络的时序风电功率预测

为了更好地进行风机控制及系统调度,需要准确地预测风电功率。针对风电出力的不确定性问题,研究了小波变换的原理和方法及BP神经网络的原理和算法,建立了一种结合小波分解和BP神经网络的风电功率预测方法。对风电出力历史功率数据进行小波分解,在各个分量样本上分别建立BP神经网络后,根据神经网络独立学习的特性,用前几个时段的历史功率数据作为输入,下个时段的历史功率数据作为输出,训练神经网络,实现单步预测;各分量预测完后,将各分量的预测值相加即得到重构值。仿真结果验证了该方法的有效性,与不经过小波变换的BP神经网络预测相比,文中方法具有更高的预测精度。     

基于ARIMA与双层BP神经网络相结合的风电功率预测方法

为满足风电运行、维护及调度管理需要,提高风电功率预测精度,提出了一种基于ARIMA与BP神经网络的组合风电功率预测方法。介绍了时间序列法与BP神经网络法的基本原理,采用了新的结合方式,综合考虑了风速、风向、以及风电场当地的物理限制,建立了预测模型。通过对某风电场的实测数据进行分析预测及对比,结果表明,该方法能有效提高风电功率预测精度,具有较好的实际应用价值。     

基于混沌时间序列GA-VNN模型的超短期风功率多步预测

随着风电在电力系统中的渗透水平不断提高,能准确、可靠地进行风功率预测至关重要。为提高风功率超短期预测精度,利用风功率时间序列的混沌特性,推导分析了Volterra泛函模型和3层前馈(back propagation,BP)神经网络在结构上的一致性,提出混沌时间序列遗传算法-Volterra神经网络(genetic algorithm-Volterra neural network,GA-VNN)模型,对超短期风功率进行多步预测。该模型将实用的Volterra泛函模型和BP神经网络结合起来,解决了求解Volterra泛函模型高阶核函数的问题。同时设计了一种混沌时间序列GA-VNN模型的学习算法,在算法中利用GA全局寻优能力来优化BP神经网络,获得最优的初始权值和阀值。将上述方法应用于某风电场风功率超短期多步预测中,结果验证了所提模型的多步预测性能明显优于Volterra预测滤波器和BP神经网络。     

一种基于改进的HHT短期风电功率预测方法

风电功率短期预测对于电力系统稳定性和电能质量的提高具有非常重要的意义。文章采取一种基于Hilbert-Huang变换风电的短期预测方法。首先,对经验模态分解(EMD)中原始数据存在的端点效应利用提出的延拓抑制方法进行了抑制,然后,用经验模态分解的方法将风电场历史功率数据分解得到了七个具有不同规律特征的分量,进行希尔伯特变换,并在对各个成分的特点分析的基础上分别搭建了不同的预测模型,然后结合多个预测模型对风电场历史功率数据进行组合预测。仿真实验预测结果表明该方法使得风电预测精度大大提高,具有很好的应用前景。     

基于麻雀算法优化的VMD-CNN-LSTM的短期风电功率研究

考虑相关风电场之间的影响因素可以有效提升新建风电场的风电功率预测精度，提出利用变分模态分解技术（VMD）将单风电场风电功率预处理分解为本征模态函数（IMF），然后将各风电场同频段分量，即低频分量、高频分量和残差分量，组合为二维特征矩阵作为卷积神经网络（CNN）的输入，利用卷积神经网络提取同分量子模态下空间特征信息，输入到长短时记忆网络（LSTM）提取时间序列中的长时依赖关系进行预测，最后将预测结果进行叠加，获得完整的预测结果。组合神经网络的超参数设置相较于单一模型对预测精度的影响更大，采用新型麻雀搜索算法（SSA）可以节省人工手动调制参数的时间、提高超参数设置的精度和效率。使用该方法对某风电集群中的新建基准风电场进行预测，预测结果表明经SSA优化的VMD-CNN-LSTM模型在预测风电集群数据上有较高的精度，预测效果好于对比模型LSTM,CNN-LSTM和SSA-VMD-LSTM。     

基于频域分解和精度加权集成的分布式风电功率预测方法

针对具有强随机波动性的分布式小风电开展功率高精度预测研究，对增强小风机自身稳定性和配电网支撑力具有重要意义。为此，提出了基于频域分解和精度加权集成的分布式风电预测方法。首先，通过自适应噪声完备集合经验模态分解将原风电信号分解到不同频段，捕捉风电局部波动特征；然后，构建具有双层异质学习器的精度加权Stacking,实现多模型优势互补，增加应对分布式风电强波动特性的泛化能力；最后，通过4台风机的实际数据验证了所提方法优于当前用于大型风电场、风电集群及单风机的几种先进预测方法，证明了所提方法针对分布式风电功率预测的有效性和泛化性。     

基于传递函数自我优化的BP网络算法改进

目前使用比较普遍的优化方法对BP算法改进之后,改进的BP神经网络预测过程都存在复杂程度变大、更加消耗人力资源等缺陷。针对这些缺陷,本文提出一种传递函数自我优化算法来改进神经网络。然后将改进的网络应用到风电功率预测中,以东北某风电场一段时间的风电运行数据作为实验样本,分别采用传统BP神经网络和改进的BP神经网络进行预测分析。仿真结果证明,改进之后的BP神经网络不仅有更快的收敛速度,还有更加精确的预测结果,并且不需要认为干预整个预测过程。极大提高了网络的预测能力和效率。     

基于主成分—遗传神经网络的短期风电功率预测

短期风电功率预测对接入大量风电的电力系统运行具有重要的意义,建立了基于主成分分析与遗传神经网络相结合的短期风电功率预测模型。该模型先对原始输入数据进行主成分分析,分析结果作为神经网络预测模型的输入;为克服BP神经网络训练时间长、易陷入局部极小值的的缺陷,采用遗传算法优化神经网络的初始权值和阈值,并使用Levenberg-Marquardt算法对网络权值和阈值进行细化训练。经某风电场实际数据验证,与GA神经网络模型、PCA-LM神经网络模型相比,预测精度明显提高,为短期风电功率预测提供了一种有效的方法。     

风电场输出功率预测中两种神经网络算法的研究

神经网络是风电功率预测系统中应用最广泛的方法,而其训练算法是影响预测精度的重要因素之一。探讨了采用聚类法和正交最小二乘算法两种训练方法。以中国北方某风电场的实际数据以及数值天气预报数据为依据,对RBF聚类法和正交最小二乘算法进行了验证,最终研究并比较RBF不同预测情况与BP的差异。结果表明:对于提前24h的风电功率预测,RBF神经网络模型预测精度要好于BP神经网络模型,尤其以正交最小二乘算法为训练方法建立的RBF模型,预测精度较高,能够很好拟合实际功率曲线。     

基于混合算法优化神经网络的风电预测模型

针对粒子群算法陷入局部最优以及Elman神经网络泛化能力不足等缺点,提出一种混合小波包分解(wavelet packet decomposition,WPD)和催化粒子群算法(catytic particle swarm optimization,CPSO)优化Elman神经网络(elman neural network,ENN)的短期风电预测方法。通过小波包变换对风电功率样本进行多层序列分解,对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络(CPSO-ENN)进行预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证,结果表明新模型具有较高的预测精度。     

基于误差聚类及时空性风电预测研究

为了提高风电功率的预测精度,针对风电数据间歇性与时空性的特点,以风力发电的历史数据为基础,首先对风速功率散点图的离散型异常数据采用四分位法进行识别和剔除,对弃风造成的堆积型异常数据采用K-means聚类算法进行处理;然后从时间、空间、时空对风电场自身及风电场之间的功率变化进行统计分析,引入相关系数、输出功率标准差、空间持续误差等指标,得到集群风电场功率变化规律及相关性;最后采用BP神经网络通过对数据进行多次的训练提高风电功率预测精度。