基于RBF-BP组合神经网络的短期风电功率预测研究

为提高风电输出功率预测精度,提出一种基于RBF-BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上,对风速进行预处理。根据相关历史数据,建立RBF-BP组合神经网络短期风电功率预测模型,对风电输出功率进行预测。仿真分析结果表明,该预测方法能有效提高风电输出功率预测精度。     

基于时间序列的风电功率日前预测模型及其应用

风电场发电功率随风速的无序变化是电网无法大规模接纳风电的关键因素,准确地预测风电场输出功率对电力系统大量接入风电有重要意义。针对风电功率无序变化的特征,基于时序分析法分别建立了指数加权移动平均和一阶差分自回归滑动平均的风电功率日前预测模型,进而运用穷举搜索法确定了指数加权移动平均模型的最佳加权因子为0.7,并得到此模型的风电功率预测值。同时,通过样本自相关函数定阶和最小二乘估计的方法,求得一阶差分自回归滑动平均模型的风电功率预测值。结果表明,一阶差分自回归滑动平均模型的风电场功率预测值的均方根误差比指数加权移动平均模型低0.88%,相应的准确率和合格率较高,可见一阶差分自回归滑动平均模型更能提高风电功率的预测精度。     

超短期最优预报下风电场功率预制修正策略

文章兼用软硬件方法对风电场功率预报进行修正,针对数值天气预报存在一定误差、风能输出功率波动较大、较难精确获取风速与发电机功率输出之间动态关系模型等关键问题,基于数值天气预报历史统计数据,利用BP神经网络,结合前一时段实际风速及输出功率对预制功率进行分时段误差动态修正,提出提高风电场风电功率预报准确度的风储系统,建立改进的风电功率预报系统;同时基于风电场输出功率历史统计数据,利用数理统计方法确定应用于风电场功率预制误差二次修正的储能电池最佳容量,以此提高风电场功率预报精度,达到最优预报目标。采用风电场的实际运行数据,通过MATLAB平台仿真,验证了修正算法策略的效果及可行性。     

混合小波包与纵横交叉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点,提出一种混合小波包变换和纵横交叉算法(CSO)优化神经网络的短期风电预测新方法。该混合方法首先利用小波包变换将风电功率时间序列分解成多个不同频率的子序列,然后采用CSO优化后的神经网络(CSO-ENN)对各分量进行提前24 h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:新模型的预测精度明显优于其他混合方法和风电场提供的日前预测结果。     

数据分辨率影响风电功率预测精度分析

目前对风电功率短时预测的研究主要集中在预测方法上,而缺乏对数据本身特性的探讨。从实测数据出发,呈现3种典型分辨率5 min、10 min、15 min,并结合Elman神经网络算法对超短期（4 h）和短期（24 h）的风力发电机输出功率进行预测分析。结果表明：分辨率为10 min的原始数据对风电输出功率的超短期预测具有更好的结果,15 min分辨率的数据对风电功率的短期预测结果更佳。采用合理分辨率的数据后,能够有效地提高风电功率的预测精度。     

基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测

风电功率预测对大规模风电并网运行有重要意义。建立基于马尔科夫链对BP神经网络法残差修正模型的短期风电功率预测,通过对训练样本的学习,利用BP神经网络法进行风电功率初步预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链通过滚动预测对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于某风电场的风电功率预测中,结果表明了此模型的可行性,并为风电功率预测提供了新的途径。     

对风电功率预测系统中预测精度的讨论

为了合理地利用风电,提高电力系统经济性,需要对风电场输出功率进行预测。针对目前风电场输出功率预测系统中预测结果缺乏足够精度的原因展开分析和讨论,在此基础上对预测模型中存在的问题以及对基础数据的处理方法进行了改进,并结合并网型风电场给预测系统带来的预测精度不准确的原因展开讨论,提出了解决方案,最后阐述了对提高风电功率预测精度还需要进一步做的工作。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

基于小波分析和PSO优化神经网络的短期风电功率预测

针对风电场风速和风电功率序列起伏波动大、无明显变化规律等特点以及传统神经网络收敛速度慢、易陷入局部极小值等缺陷,提出了基于小波分析和改进粒子群算法优化神经网络的短期风电功率预测方法。首先,通过小波方法将用于神经网络训练的历史风速和风电功率序列进行分解,再针对风速和风电功率的各个分量分别建立相应的神经网络模型,采用分期变异粒子群算法对各个分量的神经网络学习算法进行优化,最后将各个分量的预测值进行小波重构得到风电功率预测结果。江苏如东某风电场风电机组的实验结果证明预测精度较传统神经网络方法有较大提高,验证了所提出方法的有效性。     

基于智能水滴算法优化Elman神经网络的光伏电站输出功率预测

提出一种智能水滴(intelligent water drops,IWD)算法优化Elman神经网络的光伏电站输出功率预测模型。利用智能水滴算法对Elman神经网络的权值和阈值进行优化,可提高网络的训练效率。将IWD优化Elman神经网络模型、传统Elman神经网络模型和BP神经网络模型的预测结果分别与光伏电站的实际出力数据进行对比。结果表明,所提出的IWD-Elman神经网络模型具有较高的预测精度。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于Elman神经网络的风电场噪声预测模型

针对风电场噪声易受风速风向等多因素影响的特点,引入具有动态递归性能的Elman神经网络,综合考虑风速、风向和距离三个主要因素的影响,建立了基于Elman神经网络的风电场噪声预测模型,并以某风电场为例,选取基于无指向性经验拟合预测模型作为对比模型,分别预测风电场噪声,绘制风电场噪声等值线地图。结果表明,基于Elman神经网络的风电场噪声预测模型具有更高的拟合相关性系数,且噪声预测更符合实际情况。     

Wind speed forecasting based on the hybrid ensemble empirical mode decomposition and GA-BP neural network method

Wind speed is the major factor that affects the wind generation, and in turn the forecasting accuracy of wind speed is the key to wind power prediction. In this paper, a wind speed forecasting method based on improved empirical mode decomposition (EMD) and GA-BP neural network is proposed. EMD has been applied extensively for analyzing nonlinear stochastic signals. Ensemble empirical mode decomposition (EEMD) is an improved method of EMD, which can effectively handle the mode-mixing problem and decompose the original data into more stationary signals with different frequencies. Each signal is taken as an input data to the GA-BP neural network model. The final forecasted wind speed data is obtained by aggregating the predicted data of individual signals. Cases study of a wind farm in Inner Mongolia, China, shows that the proposed hybrid method is much more accurate than the traditional GA-BP forecasting approach and GA-BP with EMD and wavelet neural network method. By the sensitivity analysis of parameters, it can be seen that appropriate settings on parameters can improve the forecasting result. The simulation with MATLAB shows that the proposed method can improve the forecasting accuracy and computational efficiency, which make it suitable for on-line ultra-short term (10 min) and short term (1 h) wind speed forecasting.     

基于NACEMD-Elman神经网络的风功率组合预测

在电力系统中风电装机容量增长的背景下,高精度的超短期风功率预测是保证系统可靠运行的重要基础。为此,提出一种以复数据经验模态分解的噪声辅助信号分解法(NACEMD)和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用NACEMD将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络对各分量建立预测模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。实例分析表明,提出的组合预测法既可进一步减轻现有方法中存在的模态混叠现象,具备较高的预测精度。研究成果可为风功率预测提供参考。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

基于分数阶灰色Elman组合模型的中长期负荷预测

针对电力系统中长期负荷预测样本少、间隔时间长、影响因素多等问题,提出基于分数阶灰色Elman的组合预测模型,首先针对负荷预测样本少、增长趋势明显的特点,利用分数阶灰色模型弱化原始序列的随机性,降低解的扰动界,其次利用Elman神经网络模型适应性与学习能力强的特点来解决负荷的非线性及影响因素复杂的问题,然后根据最优模型赋予二者最优权值,得到最终的组合模型,最后采用傅里叶级数残差校正模型修正组合模型的误差。仿真结果表明,本文提出的方法可有效拟合负荷的变化趋势,提升负荷预测的准确度。     

Wind farm power prediction: a data‐mining approach

In this paper, models for short‐ and long‐term prediction of wind farm power are discussed. The models are built using weather forecasting data generated at different time scales and horizons. The maximum forecast length of the short‐term prediction model is 12 h, and the maximum forecast length of the long‐term prediction model is 84 h. The wind farm power prediction models are built with five different data mining algorithms. The accuracy of the generated models is analysed. The model generated by a neural network outperforms all other models for both short‐ and long‐term prediction. Two basic prediction methods are presented: the direct prediction model, whereby the power prediction is generated directly from the weather forecasting data, and the integrated prediction model, whereby the prediction of wind speed is generated with the weather data, and then the power is generated with the predicted wind speed. The direct prediction model offers better prediction performance than the integrated prediction model. The main source of the prediction error appears to be contributed by the weather forecasting data. Copyright © 2008 John Wiley & Sons, Ltd.     

基于ARMAX-GARCH模型的微电网风功率预测

目前风功率预测多为风功率期望的点预测,且以采样间隔较大的功率序列作为建模序列,这样会降低预测模型对风功率时序特征模拟的准确度和可信度。文中基于小采样间隔风功率序列,提出ARMAX-GARCH风功率预测模型。通过构造风功率新息序列,结合小时平均风功率序列,建立ARMAX点预测模型,采用BIC最小信息准则和相关性分析实现模型定阶和外生变量选择;采用GARCH模型模拟残差的波动特性实现区间预测。以海岛微电网实测风功率数据为例,进行提前1 h风功率预测。结果表明,与持续法、ARMA和RBF神经网络相比,该预测模型能显著提高风功率期望的点预测精度并具有较好的区间预测效果。     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

Dynamic modeling of a SOFC/MGT hybrid power system based on modified OIF Elman neural network

Solid oxide fuel cell (SOFC) integrated into micro gas turbine (MGT) cycle is a promising power‐generation technology. This article proposes a modified output–input feedback (OIF) Elman neural network model to describe the nonlinear temperature and power dynamic properties of the SOFC/MGT hybrid system. A physics‐based mathematical model of a 220 kW SOFC/MGT hybrid power system is used to generate the data required for the training and prediction of the modified OIF Elman neural network identification model. Compared with the conventional Elman neural network, the simulation results show that the modified OIF Elman identification model can follow the temperature and power response of the SOFC/MGT hybrid system with higher prediction accuracy and faster convergent speed. Copyright © 2010 John Wiley & Sons, Ltd.