基于风速时空信息的BP神经网络

基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。     

基于STCP-BP的风速实时预测方法研究

为提高实时预测精度,提出一种新的基于时空相关性和BP神经网络的风速实时预测方法。该方法首先基于风速演变的物理特性,依据目标预测点若干个邻域点的风速及风向信息,建立时空相关性预测(spatio-temporalcorrelation predictor,STCP)模型并得到不等时间间隔的预测风速;然后依据目标预测点的风速序列建立BP神经网络预测模型进行风速的实时预测;最后将STCP结果以一定的滑动时间窗与BP预测模型得到的实时预测风速进行适当加权组合得到最终的预测风速。以某区域多个风电场实测数据为例进行仿真测试,结果表明,与BP预测模型相比,该文提出的STCP-BP组合预测方法可有效提高风速的实时预测精度。     

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。     

基于多方面特征提取和迁移学习的风速预测

为满足风电场远程集控中心高效、低成本预测不同地理位置风电场风速的要求,结合“离线训练,在线预测”的思想,提出一种基于多方面特征提取和迁移学习的多变量风速预测模型。离线模型融合双通道卷积神经网络和双向长短时记忆神经网络捕捉风速信息,学习各典型位置风电场的风速特性,然后迁移至任意风电场实现快速在线预测,通过改进的多目标蝗虫优化算法集成各典型风电场预测结果,进一步提高预测精度。最后通过河北一集控中心验证表明,该文所提模型的适应性与准确性均优于其他基线模型。     

基于BP神经网络与遗传算法风电场超短期风速预测优化研究

风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。     

基于BP神经网络方法的风电场风速插补分析应用

  目的  准确的风资源数据对风场的风资源评估和发电量计算有着重大意义。由于机械故障、天气因素和人为影响等原因,风场内风速数据出现采集时间短、间断点多、数据失真等诸多问题,给风资源的评估带来不小的麻烦。  方法  现阶段风电行业内采用基于相关测量预测方法（MCP,Measure-Correlate Predict）（可称之为传统插补方法）进行间断数据的插补和拟合,准确性略显不足。文章针对风机风速插补和测风塔测试风速插补两种应用场景,提出基于BP神经网络算法的风资源数据预测插补方案,进行模型建立和预测。  结果  结果表明:BP神经网络插补效果优于传统插补方法,且平坦地形测风塔风速插补优于复杂地形风速插补。  结论  研究表明:基于BP神经网络方法的风电场风速插补技术适用于风电场风速插补应用,对风资源评估的准确性有明显提升。     

基于模型设计的甲醇发动机辅助ECU开发

对于甲醇裂解气掺烧发动机,甲醇替代率通过采用BP神经网络算法的控制系统进行控制,BP神经网络经过有限的甲醇替代率试验数据的训练,其预测和控制精度满足使用要求。利用Simulink基于模型设计工具建立了辅助控制系统模型,对所搭建的控制模型进行了模型在环(MIL)仿真,并对模型所生成的嵌入式代码与硬件相集成实现处理器在环(PIL)一致性验证,最终完成甲醇掺烧发动机辅助控制系统的功能开发,大幅降低开发时间。     

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KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

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。     

Hybrid boosting algorithms and artificial neural network for wind speed prediction

Energy sources are an important foundation for national economic growth. The future of energy sources depend on the energy controls. The reserves of fossil energy have declined significantly, and environmental pollution has increased dramatically due to excessive fossil fuel consumption. At this point, wind energy can be used as one of the key source of renewable energy. It has a remarkable importance among the low-carbon energy technologies. The primary aim of wind energy production is to reduce dependence on fossil fuels that affect environment adversely. Therefore, wind energy is analyzed to develop new energy resources. The main issue related to evaluation of the wind energy potential is wind speed prediction. Due to the high volatile and irregular nature of wind speed, wind speed prediction is difficult. To cope with complex data structure, this study presents the development of extreme gradient boosting (XGBoost), adaptive boosting (AdaBoost), and artificial neural network (ANN) within particle swarm optimization (PSO) parameter optimization for hourly wind speed prediction. To compare the proposed hybrid methods, various performance measures, the Pearson's test, and the Taylor diagram are used. The results showed that proposed hybrid methods provide reasonable prediction results for wind speed prediction.     

基于风速时空关联的多步预测方法

基于风速的空间关联性提出一种新的多位置多步风速组合预测方法。对风场内各风力机进行灰色关联分析,并据此利用昆虫优化算法进行优选重构,获取目标风力机及临近域空间信息。利用卷积神经网络对重构矩阵进行空间特征提取,并输入长短时记忆网络进行多步预测。最后,将所提方法应用于不同风场进行风速预测,通过对比分析验证所提方法的预测精度和泛化能力。     

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。     

基于多目标优化和误差修正的短期风速预测

提出一种多目标优化、误差修正的短期风速混合预测模型。首先对原始风速数据进行分解,降低序列的非线性,利用一种有效的多目标优化算法优化ELM神经网络,保证预测精度和稳定性。最后采用深度学习网络LSTM对初始预测结果进行误差校正,为克服超参数选取困难,利用乌鸦算法对层神经元数量进行优化。以中国华中某风电场实际数据为例进行分析,结果表明该方法具有较高的预测精度。     

基于季节指数调整的循环神经网络风速时间序列预测

提出一种基于季节指数调整的神经网络风速预测方法。针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测。通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列。这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种或多种,为此采用时间序列分解模型对时间序列进行季节指数调整。最后采用LSTM 和GRU神经网络预测风速,得到了较好的预测结果,且与未调整的数据预测结果及加法模型季节指数调整后的预测结果相比,基于乘法模型季节指数调整的2种神经网络预测结果有更高的风速预测精度。     

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%。