基于统计分析和多支持向量机的风电功率坡度事件分类预测

为准确评估风电功率变化行为的影响,优化风电系统控制,提出了基于统计分析和多支持向量机的风电功率坡度事件分类预测方法.通过对风电功率坡度事件进行定义和分类,利用风电场的实际运行数据,对不同统计周期和不同方向的坡度事件幅度分布和时间段分布进行了统计分析,找到了功率坡度事件变化的内在规律.在此基础上,将二元支持向量机（Support Vector Machine,SVM) 拓展到多支持向量机 (Multiple Support Vector Machines,MSVMs),建立了对功率坡度事件类别的一步和多步预测.实验结果表明,所提方法具有较高的坡度事件预测精度和稳定性,可以对风电功率变化进行准确的风险预测,有利于风电系统的优化控制.     

短期风电功率CEEMDAN-SMA-LSSVM预测模型研究

为了提高风力发电功率预测的准确性,建立了基于CEEMDAN分解的SMA算法优化LSSVM的短期风电功率组合预测模型。首先,采用完全集合经验模态分解(CEEMDAN)对原始风电功率数据进行分解与重构。随后,为了进一步优化最小二乘向量支持机模型(LSSVM)的参数,引入了黏菌算法(SMA)优化,通过调整惩罚参数和核参数来提高模型性能,最后,构建多种对比模型对比分析表明CEEMDAN-SMA-LSSVM模型预测精度最高,预测结果更接近真实值。研究可用于风电场短期风电功率预测使用。     

一种基于VMD-PSO-SVM的短期风电功率预测算法

基于风场数据,利用风电机组功率特性曲线,采用支持向量机（Support Vector Machine,SVM）非线性拟合方法,设计了一种基于变分模态分解（Variational Model Decomposition,VMD）的粒子群优化支持向量机短期功率预测算法.首先,通过VMD将原始风功率序列分解为多组平稳的固有模态函数和趋势项,对风电功率数据进行预处理;其次,利用粒子群算法优化（Particle Swurm Optimization,PSO）支持向量机参数,建立VMD-PSO-SVM组合预测算法模型,对每组固有模态函数和趋势项进行预测,得到多组预测结果,再将其重组,得到功率预测结果;最后,将预测结果与其他预测算法进行对比,结果表明预测精度更高.     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

基于支持向量机的短期负荷预测

讨论了现有的支持向量机回归参数选取方法．针对负荷预测建模，采用交叉验证的方法对参数进行选取，得到的最优参数对未来的峰荷进行预测，仿真结果表明了该方法的有效性．     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

基于改进灰狼算法优化支持向量机的短期交通流预测

实时、准确的短期交通流预测是智能交通系统的基础和关键技术之一.由于灰狼优化算法(GWO)存在收敛速度慢、易陷入局部最优解等缺陷,为进一步提升短期交通流预测的精度,提出了基于改进灰狼算法(IGWO)优化支持向量机(SVM)的短期交通流预测模型.首先,本文提出引入帐篷(Tent)混沌序列初始化灰狼种群,更改收敛因子的线性递...     

带修正的基于支持向量机的股票短期预测

针对影响股票的市场和非市场因素进行建模分析。对直接反映市场规律的主要市场因素,建立支持向量机模型,并使用交叉检验来确定模型的几个参数。对突发性的非市场因素,采用指数模型来评估其影响。最后对支持向量机的预测结果进行修正。     

基于支持向量机的电力短期负荷预测

本文在分析了支持向量机基本原理的基础上,采用支持向量机采用回归算法建立了相应的预测模型,对某市电力负荷进行预测,并把预测结果和BP算法以及RBF算法的预测结果进行比较,证明了基于支持向量机回归算法预测模型的优越性。     

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

基于改进熵权法和SECEEMD的短期风电功率预测

为实现短期风电功率的高精度预测,综合考虑风电功率数据波动性以及多维气象数据对风电功率预测的影响,提出了一种基于改进熵权法和SECEEMD的短期风电功率组合预测方法。首先,提出了一种综合相关性分析模型,结合多种特征选择方法对多维气象特征实现综合评价,准确筛选与风电功率相关性较高的气象特征,提高预测精度。其次,针对CEEMD(Complementary Ensemble Empirical Mode Decomposition,互补集合经验模型模态分解)存在的分解分量过多,模态混叠程度加剧的问题,提出了SECEEMD分解算法,在降低分量数量,降低模态混叠程度的同时,提高模型的训练速度。然后,分别建立NWP-LSTM和SECEEMD-BP预测模型,并通过贝叶斯优化算法优化长短期记忆神经网络和BP神经网络结构;最后,通过改进熵权法寻找到最优权重组合进行加权组合。实验以内蒙古某风电场的风电功率数据和气象数据为实验数据,经验证,本文所提预测模型,能较大程度提高预测精度,相较于一般预测模型,R2-Score分别提高了4%和0.6%,MAE分别降低了44%和1.1%,证明本文所提风电功率预测方法具有更高的预测精度和更快的训练速度,更加适合进行风电功率预测。     

基于LSTM-XGboost组合的超短期风电功率预测方法

受数值天气预报信息影响,风电功率变化具有较强的随机波动性,传统单一预测模型精度较低,难以满足现实预测需求。为此,提出基于LSTM-XGboost组合的超短期风电功率预测方法。首先,基于风电场的气象数据,采用皮尔逊相关系数法筛选与风电功率强相关的气象数据,建立风电功率预测模型数据集;然后,将归一化处理的数据集作为LSTM(long short-term memory)和XGboost (extreme gradient boosting)的模型输入,分别构建LSTM和XGboost的超短期风电预测模型,在此基础上,采用误差倒数法对LSTM和XGboost的预测数据进行加权构建组合预测模型;最后,以张家口某示范工程风电场实际运行数据验证组合模型的有效性。结果表明,相较于其他4种单一预测模型,组合模型具有更高的预测精度。     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

基于完全集成经验模态分解和模糊熵分频的短期风电功率预测

随着风电接入电力系统的比例日益增大,准确的风电功率预测显得愈发重要。为此,提出了一种基于模糊熵和完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的短期风电功率预测模型。采用完全集成经验模态分解将原始风电功率序列进行分解,得到一系列不同频率的子序列。再使用模糊熵(Fuzzy Entropy,FE)算法识别各频率分量特征,将子序列分量分为高、中频分量类和趋势项。趋势项为低频分量,具有较为平稳,波动性小的特点,采用麻雀算法(sparrowSsearch algorithm,SSA)优化支持向量回归(support vector regression,SVR)进行预测;高、中频分量的波动性大且特点较为复杂,则采用SSA优化长短期记忆神经网络(Long Short-Term Memory,LSTM),同时引入注意力机制(Attention Mechanism,AM)对重要信息进行更好的权值分配。最后,经过实验结果分析表明,该模型具有更高的风电功率预测精度。     

基于遗传算法与支持向量机的水质预测模型

水质预测是众多水务相关问题的重要内容之一,通过水质预测,可以发现水质恶化的预兆,方便决策者提前采取措施.依据常见的水质数据,使用基于遗传算法与支持向量机的水质预测模型在实际应用环境下自行适配污染物权重,提高预测准确率.本模型首先使用遗传算法,训练当前数据的特征权重向量,使得权重适配当前预测问题,然后使用该特征权重向量应用于SVM模型训练.在以重庆某污水处理厂数据为对象进行实验后,验证了该模型在实际应用中的可行性,为水质预测提供了一种新思路.     

基于CNN-LSTM-lightGBM组合的超短期风电功率预测方法

近年来,风电装机规模逐年增加,风电数据采集量呈现规模化增长,面对海量多维、强波动的风电数据,风电功率预测精度仍面临一定的挑战。为提高风电功率预测精度,提出了基于卷积神经网络(convolutional neural networks, CNN)-长短期记忆网络(long short-term memory, LSTM)和梯度提升学习(light gradient boosting machine, lightGBM)组合的超短期风电功率预测方法。首先,分别建立CNN-LSTM和lightGBM的风电功率超短期预测模型。其中,CNN-LSTM模型采用CNN对风电数据集进行特征处理,并将其作为LSTM模型的数据输入,从而建立CNN-LSTM融合的预测模型;然后,采用误差倒数法对CNN-LSTM和lightGBM的预测数据进行加权组合,建立CNN-LSTM-lightGBM组合的预测模型;最后,采用张北曹碾沟风电场的风电数据集,以未来4 h风电功率为预测目标,验证了组合模型的有效性。预测结果表明：相较于其他3种单一模型,组合模型具有更高的预测精度。     

Special report on relationship between wind farms and power grids

The installed capacity of a.large scale wind power plant will be up to a number of hundreds MW, and the wind power is transmitted to load centers through long distance transmission lines with 220 kV, 500 kV, or 750 kV. Therefore, it is necessary not only considering the power transmission line between a wind power plant and the first con- nection node of the power network, but also the power network among the group of those wind power plants in a wind power base, the integration network from the base to the existed grids, as well as the distribution and consumption of the wind power generation by loads. Meanwhile, the impact of wind power stochastic fluctuation on power systems must be studied. In recent years, wind power prediction technology has been studied by the utilities and wind power plants. As a matter of fact, some European countries have used this prediction technology as a tool in national power dispatch centers and wind power companies.     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。