基于噪声场合下ARMA模型的风力发电量预测

针对普通的ARMA模型的预测质量由于各种原因会大大降低的情况,依据富锦风电场风力发电量的时间序列,基于HOYW定阶方法建立了噪声场合下的ARMA模型.通过对模型残差白噪声性能的分析,验证了模型的适用性.应用此模型进行了预测分析,得到的归一化平均绝对误差(NMAE)为0.065 8.通过与普通的ARMA模型预测精度方面的对比,进一步验证了噪声场合下基于ARMA模型风力发电量预测的优越性.     

基于ARMA模型的光伏电站出力预测

目前光伏发电站容量的不断扩大,光伏发电站并网后其功率的变化具有不确定性,因此有必要对光伏电站的出力进行预测.本文建立了一种基于ARMA模型的光伏电站预测模型.结合历史发电量数据和气象因素,分别使用ARMA模型和马尔可夫链模型对光伏电站的出力进行预测,并进行了两者的比较.大量的数据表明,ARMA预测模型有较高的精度,能够...     

基于ARMA模型的水电站概率性发电量预测

水电站发电量通常具有较大的随机性，水电站的发电量的预测对于水电比重较大的电网结构具有重要的意义。本文首先对某水电站的年发电量序列进行分析，然后根据分析结果提出了基于ARMA模型的水电站概率性发电量预测方法。该方法对随机性较大的负荷进行预测可获得有价值的结果。     

基于SFE模型的风力发电与储能设备结合的经济效益分析

由于风力可用率与负荷呈负相关而风电电价与负荷呈正相关,导致风电的市场价值比其他发电技术的电价更低。为了缓解这一情况,提出通过使用储能设备,灵活控制风力发电量的售电时机,以提高风电电价,增加风力发电商收益。基于SFE模型建立了风力发电商使用储能设备的收益模型,并通过算例验证了储能设备能够显著提高风电电价,通过敏感性分析指出储能设备的效率对风力发电商的收益影响。     

故障组合预测模型研究

故障特征和随机噪声均包含在设备获得的信号中.每个预测模型都具有各自特点和噪声的不确定性,本文提出新的预测思路:采用小波相关滤波去掉信号的噪声后,分别建立时间序列ARMA(p)模型和改进灰色预测GM(1,1)模型,并将两模型的预测值进行加权组合.最后把该组合预测模型尝试应用于二次雷达获得的速度信息,实验验证了该模型用于故障预测的有效性和实用性.     

基于ARMA-GARCH模型的超短期风功率预测研究

风功率预测对提高电能质量和电力系统的安全运行具有重要意义。基于时间序列的方法,对内蒙古赤峰地区某风场的风功率数据进行了超短期预测,通过对数据平稳性检验的结果,建立了时间序列的ARMA模型,利用拉格朗日乘子检验的方法,检验ARMA模型具有ARCH效应,并建立适合的ARMA-GARCH模型。结论通过对比ARMA模型,ARMA-ARCH模型和ARMA-GARCH模型的风功率预测精度可知,在解决数据的残差序列异方差函数具有长期相关性时,ARMA-GARCH模型能够有效的提高预测精度。     

采用历史数据扩充方法的风力发电量月度预测

月度风力发电量预测面临天气信息不确定性强和历史数据较少等问题,预测精度较低。根据风力所具有较强的季节特性和短时平滑变化特性,提出了风电月度发电量数据集扩展技术。基于扩展后的数据,利用中期天气预测信息前准后差的特点,提出了基于kdtree单元匹配、数据扩充、时间序列3种预测算法的熵权组合综合预测方法,通过理论及算例分析验证了所提数据扩充方法的有效性和综合预测方法的准确性。所提出的数据扩充方法和综合预测方法可为中长期风力发电月度电量预测提供一种可行的解决思路。     

双自回归滑动平均模型风速预测研究

风电场中风速变化的随机性很强。对随机过程的建模和预测,自回归滑动平均模型（ARMA）具有较好的效果。以张家口尚义风电场实测风速构成时间序列样本,首先通过差分处理将原始风速序列变为平稳随机序列,并确定该序列的描述模型为ARMA（0,4）。用该模型对验证风速序列进行超前一步预测,得到较好的风速预测效果。为进一步提高预测的精度,对样本序列风速预测的残差再次采用ARMA模型进行建模和预测,并用预测残差来修正风速预测值。对实际风速序列进行预测和验证,结果表明本文提出的双ARMA模型预测可以显著提高风速预测准确性。     

一种适用于全桥LLC变换器的共模噪声抑制方法

全桥LLC变换器拓扑简单,易于实现所有开关管的软开关,被广泛应用于中大功率场合。针对全桥LLC变换器,建立了变换器的共模噪声模型,分析了共模噪声源和共模噪声耦合路径,提出了基于平衡电容的共模噪声抵消方法,并给出了变压器寄生电容参数的提取方法。最后通过实验验证了模型的准确性和方法的可行性。     

基于ARMA模型的风电场风速短期预测

通过分析达坂城风电场风速数据并建立ARMA模型,基于时间序列分析法实现了提前1 h风速预测,分析预测结果证明预测时间和风速震荡性是影响风速预测精度的主要因素,为更长时间的风速预测提供理论基础。     

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差(MV)法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明:组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。     

双馈风力发电机组快速电磁暂态仿真模型

双馈风电机组含变换器等电力电子设备,电磁暂态仿真步长小、速度慢。为实现双馈风电机组的快速电磁暂态仿真,利用开关函数平均化的思想,建立了考虑Crowbar保护电路投切、变换器闭锁暂态过程的受控源型变换器统一简化等效模型,并提出一种预测校正的调制量计算方法,基于该等效模型构建了完整的双馈风电机组快速电磁暂态仿真模型。最后,以1.5 MW双馈风力发电机组为例,基于PSCAD/EMTDC仿真软件搭建模型,从正确性、仿真步长适应性和仿真速度三方面对快速电磁暂态仿真模型进行验证。通过仿真结果比对分析,证明了该快速电磁暂态仿真模型不同应用场合的适用性。     

基于鲁棒最小二乘支持向量机的电机振动故障诊断

对时序数据建模与辨识技术进行了分析，提出了使用鲁棒最小二乘支持向量机(LS-SVM)算法建立自回归移动平均(ARMA)时序预测模型。该模型是在LS-SVM的约束条件中考虑了鲁棒特性和时序模型参数，使之在求解的过程中对孤立点与噪声不敏感，并且能准确地辨识时序模型参数。考虑到电机振动故障诊断的输入输出数据集间存在着复杂非线性时序上的关系，通过用基于鲁棒LS-SVM的ARMA模型预报电机的振动值，从而预测电机振动故障。实验表明该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性，为确保电机正常运行创造了良好条件。     

基于RVM与ARMA误差校正的短期风速预测

为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。     

基于ELSTM算法的区域风电发电量预测方法的研究

介绍了当前风电发电电量预测的常用手段及面临的挑战,阐述了不同时间尺度下风电发电量预测的区别,将中长期发电量的预测手段和方法作为重点分析的对象,提出了基于ELSTM算法的区域性风电发电量预测方法,对其原理进行了分析.对国内云南某区域7个气象站中的气象要素数据、区域内风电场的气象要素数据及发电量数据进行算法的验证,测试过程中构建了BP-NN全参数、ELSTM全参数、BP-NN风场参数和ELSTM风场参数四种对比模型,验证了其算法的有效性,明确了该算法具备工程应用价值,并能够针对区域中长期风电发电量有效地进行预测,进而为区域性的风电大规模消纳提供良好的基础.     

一种基于ARMA模型的配电网馈线负荷预测方法

为了提高配电网系统的运行效率和稳定性,在建立ARMA模型的基础上,对配电网馈线负荷进行预测和分析。建立了配电网馈线负荷数据序列及ARMA模型,对馈线负荷数据序列的差分运算、标准化、自相关系数和偏相关系数进行分析,并采用ARMA模型对未来某一时间段内的配电网馈线负荷数据序列进行预测。算例结果分析表明,ARMA模型预测值与实际值相符。     

基于灰色-加权马尔可夫链的光伏发电量预测

光伏发电量预测是光伏并网的一项基础性工作。运用灰色模型对光伏发电量进行总体趋势的预测后,加入了加权马尔可夫链预测理论,建立了灰色-加权马尔可夫链预测模型。该模型不仅考虑了GM(1,1)模型对指数增长序列的适应性,而且考虑了发电量数据随机波动的特点,用状态转移概率矩阵来描述这种波动性。将该模型运用于合肥某光伏电站的光伏发电量预测,结果表明加权马尔可夫链与灰色模型的结合,提高了对波动性较大的发电量数据预测的精度,验证了该模型的可行性和有效性。     

一种基于ARMA-BP组合模型的电压偏差预测方法

国内许多变电站建立了电能质量的预测与预警机制,以应对日益严重的电能质量问题,其中电压偏差最为严重。针对预测模块中电压偏差预测算法的缺失,结合配电网的运行状态,提出了一种基于ARMA-BP组合模型的电压偏差预测方法。针对单一时间序列方法的不足,将时间序列和人工神经网络的算法结合起来。通过分析上海某变电站的电压偏差数据特征,首先采用时间序列的方法建立ARMA模型。然后采用BP人工神经网络的方法对ARMA模型预测值与原始数据之间的残差值进行拟合预测,最终得到2种模型预测所得累加值的结果。研究结果表明了所提方法的有效性。     

基于ARMA时间序列的电动汽车充电站运行状态预测及充电功率需求模型

提出了一种基于ARMA时间序列算法的电动汽车充电站运行状态预测模型及充电功率需求计算方法。首先定义了充电桩的五种状态来描述电动汽车充电站的运行规律,并利用ARMA算法理论基础建立充电站运行状态预测模型。其次以实际充电站运行数据为例,基于ARMA时间序列模型进行参数估计和建模,对预测过程作出了详细说明,并对预测模型进行误差分析和模型评价,以此验证模型的可靠性。最后,利用正在充电状态时间序列及充电桩的额定充电功率计算得到了充电站预测的充电功率曲线,与实际充电功率曲线进行了对比分析,证明了模型的有效性和适应性。     

基于模糊C均值聚类的光伏组件发电量预测

光伏组件发电量预测是光伏系统发电量预测的基础,为此,基于模糊C均值聚类,针对3种典型天气,即晴天、阴天和雨天,结合向量给出了相应天气突变情况的判断方法,根据天气情况选取对应的光伏组件输出功率模型进行组件发电量预测,每次预测间隔为10 min。验证结果表明,优化的光伏组件功率输出模型和发电量预测方法预测精度高,晴天的预测误差为1.1%,阴天为3.76%,雨天为9.2%,复杂天气下为4.22%,验证了所提出的优化的光伏组件输出功率模型和发电量预测方法的有效性,满足功率预测误差要求。