基于风速变化周期的风电场功率分类组合预测模型

基于风速在日时间尺度下的变化周期,提出一种风电场功率分类组合预测模型。该模型采用Morlet小波变换,分析数值天气预报中的风速在日时间尺度下的变化周期及特征;结合主成分分析和谱聚类方法对具有不同周期特征的风速变化过程进行分类;针对不同的风速变化类型分别建立遗传优化BP神经网络、RBF神经网络和支持向量机的预测模型,并选取每类对应的最优算法进行组合,预测功率时根据未来风速过程动态切换相应模型。以中国某风电场为例进行验证,结果表明,按8 h的变化周期对风速变化类型进行分类,可得到较好的分类组合预测结果,其精度较单一预测模型提高0.87%,合格率提高1.05%,验证了所提模型的有效性,为风电场功率预测提供了新思路。     

基于模拟退火粒子群算法的风电场短期风速预测

针对风电场短期风速预测存在精度较低的问题,引入了一种基于灰色模型与模拟退火粒子群优化BP神经网络(SAPSO-BP)相互嵌入而成的预测模型。该方法在SAPSO-BP网络的输入层前增加一个灰化层,在网络输出层后增加一个白化层,以改进网络的拓扑结构,提高模型的容错能力。仿真试验结果表明,该预测模型具有较好的鲁棒性,其平均绝对误差及均方误差分别为18.7%和5.11%,可用于风电场短期风速的预测。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于组合预测方法的风电场短期风速预测

基于持续法、人工神经网络法(ANN)和支持向量机(SVM)3种不同预测模型对内蒙古某风电场短期风速进行了预测研究,比较了不同单一预测模型的预测精度,并进行了4种不同预测模型的组合预测。计算结果表明,单一预测模型中支持向量机方法精度最高,而组合预测中3种方法组合的预测精度最高,并且组合预测精度均高于单一预测方法的精度。同时发现,当单一模型预测误差之间存在较强的负相关关系时,组合预测精度提高明显;而当单一模型预测误差之间存在较强的正相关关系时,则组合预测精度改进有限。     

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。     

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

基于机组分类的风电场有功功率分配方法研究

针对单一风速预测方法预测精度不高,以及按风速比例进行风电场机组功率分配时,跟踪功率调度指令误差较大的问题,提出一种组合风速预测方法,并基于机组预测风速、当前风速及输出功率的机组分类,提出一种风电场有功功率分配方法。采用模糊C均值分类方法对机组进行分类,根据分类结果确定功率调节优先级,将功率指令分配到不同类机组,再按某一类各机组输出功率的比例分配至每台机组,实现整个风电场有功功率分配。以某风电场实际风速数据进行风速预测和有功功率分配仿真研究,仿真结果表明,该文提出的组合风速预测方法和风电场有功功率分配方法具有风速预测精度高、风电场输出功率跟踪精度高,参与有功功率调节的机组数目少的优点。     

基于风速波动特征提取的超短期风速预测

针对风电场风速预测准确度不高的问题,提出一种基于风速波动特征提取的超短期风速预测方法。首先建立风速-风速变化量联合概率密度模型,分析风速的不确定性特征;根据风速波动特征,应用集合经验模态分解（EEMD）和风速分量样本熵（SampEn）值,将风速分解重组为波动量和趋势量;应用人工鱼群算法（AFSA）优化小波神经网络（WNN）进行趋势量预测;应用改进非线性自回归（INARX）神经网络对风速波动量进行预测,进而得到预测风速。通过实际风电场风速仿真预测,并与多种预测方法对比,表明该预测方法预测结果误差较小,可准确地进行超短期风速预测。     

基于SSA-PSO-ANFIS的短期风速预测研究

针对风速具有强非线性的特点,提出一种奇异谱分析和改进粒子群优化自适应模糊推理系统的短期风速预测模型。该方法采用奇异谱分析将原始序列分解为趋势和谐波分量,对各分量分别建立模糊神经网络模型,最后将各分量预测结果叠加得到预测风速值。为提高预测精度,改用改进粒子群算法对自适应模糊推理系统的隶属度函数进行优化。以河北某风电场实测数据进行仿真并与传统的神经网络对比分析,结果表明将风速重构后分别预测再叠加降低了原始问题的复杂度,同时提高了预测精度,在不同时间间隔的风速序列预测中该模型显著降低了多步实时预测中的误差。     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

基于风速误差校正和ALO-LSSVM的风电功率预测

风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,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功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。     

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1h和24h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。     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。     

基于WRF模式与相似Kalman滤波法订正后的风速预报效果分析

为提高张家山风电场风速预报质量,比较了张家山测风塔处的实测风速WRF模式预报的风速的误差,再利用相似Kalman滤波方法订正预报的风速,以减小WRF模式预报风场的系统误差和随机误差。结果表明,WRF模式对敏感区的风速预报能力最好,对小风区的预报效果较差,对冬季的预报效果略好于春秋季;再使用相似Kalman滤波方法对模拟风速进行误差订正后,所有时刻的预报能力得到提高,平均偏差、均方根误差变小,从而提高了风速预报的准确率。     

A novel approach for the forecasting of mean hourly wind speed time series

This paper presents a novel method for the forecasting of mean hourly wind speed data using time series analysis. The initial point for this approach is mainly the fact that none of the forecasting approaches for hourly data, that can be found in the literature, based on time series analysis or meteorological models, gives significantly lower prediction error than the elementary persistent approach. This was combined with the characteristics of the wind speed data, which are determined by the power spectrum values, distinguished by the spectral gap in intervals between 20 minutes and 2 hours. The finally proposed methodology is based on the multi-step forecasting of 10 minutes averaged data and the subsequent averaging to generate mean hourly predictions. When applied to two independent data sets, this approach outperformed by a factor of four, the conventional one which utilizes past mean hourly wind speed values as inputs to the forecasting models.     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

A novel application of artificial neural network for wind speed estimation

Providing accurate multi-steps wind speed estimation models has increasing significance, because of the important technical and economic impacts of wind speed on power grid security and environment benefits. In this study, the combined strategies for wind speed forecasting are proposed based on an intelligent data processing system using artificial neural network (ANN). Generalized regression neural network and Elman neural network are employed to form two hybrid models. The approach employs one of ANN to model the samples achieving data denoising and assimilation and apply the other to predict wind speed using the pre-processed samples. The proposed method is demonstrated in terms of the predicting improvements of the hybrid models compared with single ANN and the typical forecasting method. To give sufficient cases for the study, four observation sites with monthly average wind speed of four given years in Western China were used to test the models. Multiple evaluation methods demonstrated that the proposed method provides a promising alternative technique in monthly average wind speed estimation.     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。