考虑测风数据缺失的短期风电功率预测算法

准确的风电功率预测是提高电网稳定性、增加风电场竞争力的重要途径。文章提出了一种以虚拟测风塔技术对测风塔数据进行预处理的方法,对缺失数据进行补全,利用RBF神经网络建立风速预测模型,拟合风速功率曲线得到风电功率预测结果。实验分析显示,基于虚拟测风塔技术的数据预处理方法可有效增加测风数据完整度,提高预测精度,降低风电场的运行维护成本,进一步提高风电场竞争力,具有实际应用价值。     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题,提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先,在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制,通过自注意力机制自适应的选择输入特征,并通过时间注意力机制捕获风电数据时间序列的长时间依赖性;判别模型采用卷积神经网络,提高模型的预测精度。其次,将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数,以提高模型的稳定性,同时为解决判别器缓慢学习的问题,引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后,以甘肃省酒泉市某风电场的实际运行数据为例,验证SAM-WGAN-GP模型不仅能自适应选择输入特征,而且可捕捉风电数据的长时间依赖性,并提高预测精度。     

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。     

基于混合深度学习的风电功率预测及一次调频应用

为了解决高比例不确定性风电接入电力系统带来强烈调频需求的问题,提出了基于混合深度学习模型的风电功率预测及其一次调频应用方法。首先,采用孤立森林(Isolated Forest, IF)对历史数据进行异常值处理,提高数据质量,其次,构建卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)和注意力机制(Attention Mechanism, AM)的混合深度学习模型对风电功率进行预测。最后,依据功率预测精度配置超级电容器储能,设计储能调频控制原则,弥补风电机组自身预测误差,并协同风电机组参与电力系统一次调频。基于预测结果为4台风电发电机组2个负荷区域仿真系统配置超级电容器储能系统,利用digsilent平台进行了风预测误差和负荷波动下的一次调频仿真。结果表明：所提IF-CNN-BiLSTM-AM模型比BP和LSTM基准模型预测误差(MSE)降低了81.53%和51.44%,具有最优的预测性能;设计的风储一次调频模型与原则可有效应对风电预测误差和负荷波动...     

基于IPSO-BiLSTM-AM模型的超短期风电功率预测方法

针对现有模型预测准确性与稳定性较低的问题,提出一种以BiLSTM为基础的风电功率预测模型.BiLSTM可以很好的处理风电多变量之间的非线性关系,其次采用改进的PSO优化BiLSTM的超参数,并通过AM训练模型的权重.最后采用内蒙古自治区某风电场的历史数据进行提前0～15 min试验.结果表明,提出的IPSO-BiLST...     

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。     

风电功率预测技术综述与改进建议

随着大规模风电接入电力系统,为了保证电网安全、稳定运行,需要对风电功率进行预测。阐述了不同分类标准下的风电功率预测方法,分析了基于历史数据和基于数值天气预报的功率预测方法,归纳了风电功率预测的主要模型及其优缺点,研究了预测误差的评价指标。认为合理选择预测模型和进行模型性能优化是风电功率预测的关键。在综述国内外风电功率预测技术的研究现状后,针对国内当前对风电场功率预测模型研究与开发工作,提出了改进建议。     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

基于多尺度卷积双向长短期记忆网络与注意力机制的滚动轴承剩余寿命预测

通过卷积神经网络(Convolutional Neural Network, CNN)处理轴承一维时域或频域信号,难以提取具有代表性的非线性特征信息,且易忽略低层次信息。针对这一问题,基于多尺度特征提取,引入一种特征注意力机制,提出一种基于卷积双向长短期记忆网络(MSAM CNN BiLSTM)的轴承剩余寿命预测方法。基于西安交通大学（Xi′an Jiao Tong University,XJTU）轴承数据集中的3组数据对MSAM CNN BiLSTM、LSTM、CNN LSTM和MSAM CNN LSTM 4种方法的预测误差进行对比分析。结果表明：MSAM CNN BiLSTM方法在3组数据集中的预测误差均小于其他3种方法,说明该模型能同时学习数据中的低层次与高层次信息,可有效提高轴承的剩余寿命预测精度。     

基于ADQPSO-KELM风电功率短期预测模型的研究

为了改善传统风电功率预测方法中误差较大且稳定性较差的问题,引入量子粒子群(QPSO)优化算法、自适应早熟判定准则及混合扰动算子,构建了自适应扰动量子粒子群(ADQPSO)优化算法,通过ADQPSO算法对核极限学习机(KELM)模型进行优化,建立了自适应扰动量子粒子群优化的核极限学习机(ADQPSOKELM)风电功率短期预测模型,并利用内蒙古高尔真风电场采集的风电功率时间序列数据为试验样本进行48h预测分析。结果表明,ADQPSO-KELM风电功率短期预测模型与其他基于KELM优化的风电预测模型及传统风电预测模型相比,其预测的误差更小、准确度更高,且预测稳定性显著增强。     

基于生成对抗网络多变量风电时间序列异常值处理

将孤立森林算法应用于风电数据的异常值检测,利用改进的GRUI神经单元基于WGAN网络进行缺失值插补。在内蒙古风电场的真实数据集上验证了所提方法的有效性,并与KNN、GAN等方法进行对比,验证了模型的有效性,具有更好的插补精度。     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。     

基于生成对抗网络的风电爬坡功率预测

风电的波动性和随机性,尤其是功率爬坡事件严重威胁着电网运行的安全和稳定。功率爬坡是极端天气影响下产生的,属于小概率事件。其极低的发生概率导致历史爬坡样本数量严重不足,并制约了传统功率预测模型的预测精度。针对此类问题,提出一种基于生成对抗网络的风电爬坡功率预测方案。将历史爬坡数据和模拟特征量作为输入,通过生成器和判别器的对抗训练,生成大量与历史爬坡数据特征相似的模拟爬坡数据,实现爬坡数据集的扩充。再将扩充后的爬坡数据集输入给长短期记忆神经网络算法,进行风电爬坡功率预测。通过仿真测试,验证了该方法在历史爬坡数据匮乏情况下风电爬坡功率预测的有效性。并与传统预测方法进行了对比,证明了其预测的精确性。     

基于多层语义融合注意力机制的短期风电功率概率密度预测方法

获得未来风电功率的短期概率性信息将有助于电网的综合能源调度,为此提出一种结合多层语义融合注意力机制的短期风电功率概率密度预测方法。为尽可能获得更多语义层下的编码信息,在编码阶段引入循环高速网络（RHN）并通过深层的RHN网络结构最大程度地提取输入特征的底层关联信息。设计多层语义融合注意力机制以融合不同语义层下的局部注意力向量,进一步加强编码特征向量的表达能力,并将网络的输出与分位数回归和核密度估计方法结合,得到不同分位点下未来短期风电功率的预测结果与连续概率密度分布。实验结果表明：提出的短期风电功率概率密度预测方法不论是在预测的得精度上,还是在具有不确定性的预测结果分布上均优于其他比较模型。     

基于趋势聚类与决策树的风电功率多区间复合短期预测方法

首先对如何提取风电功率的趋势特征以及建立合适的短期预测模型进行分析,进而对不同功率趋势下的预测精度展开研究.为了提高在多区间下的复合预测性能,提出一种基于趋势聚类与决策树的风电功率多区间复合短期预测方法,即在不同的功率趋势分类中,进行不同的概率估计,然后将分类估计数值复合为完整的估计结果,提高了在多复合区间条件下预测结...     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测.仿真结果表明...     

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。     

基于两级级联聚类的神经网络风电功率预测

对历史日及预测日的风速特性进行比较,提取综合相似程度高的历史日作为训练样本,对不同类别分别建立预测模型。采用两级级联的混合聚类算法实现相似数据的最优选择,并构建基于改进粒子群优化的小波神经网络模型预测风电功率。通过对中国西部某风电场的算例仿真,表明该方法能够有效识别样本数据的筛选,提高风电功率预测精度。