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 1 h 和 24 h 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。     

一种短期风电功率组合预测方法

为提高风电功率的短期预测精度,对组合预测进行了研究。选用差分自回归移动平均模型(ARIMA)与埃尔曼神经网络(Elman)模型,建立新的组合预测模型。首先,用单一的ARIMA预测模型和Elman预测模型对风电功率进行预测;然后,在单独模型预测的结果上,再次利用Elman神经网络进行预测;最后,将组合预测的结果与两单一模型的预测结果进行分析比较。结果表明,组合预测模型比各自单一预测模型有更高的预测精度。     

基于混沌支持向量机的短期风速预测

为了减轻风电对电网的影响,降低供电系统的旋转备用容量和运行成本,提出了以混沌理论为基础,基于相空间重构的支持向量机短期风速预测方法。为提高预测模型的预测精度和泛化能力,利用粒子群算法选择对相空间重构和支持向量机参数联合寻优,将最佳参数代入混沌支持向量机模型对短期风速进行预测。试验结果表明了该方法的有效性。     

基于PSRT与Elman神经网络的短期负荷多步预测

短期负荷预测(short-term load forcastings,STLF)对电力系统的经济和安全运行有着重要的作用。为提高短期负荷预测的精度,根据短期负荷的基本特性,提出了一种将相空间重构理论(phase space reconstruction space,PSRT)与Elman神经网络相结合的短期负荷多步预测模型。首先利用PSRT重构相空间的吸引子,然后用Elman神经网络来拟合相空间吸引子的多步演化,其中利用空间欧氏距离来选取Elman网络的输入样本。通过对广西电网短期负荷预测的分析表明,该多步预测方法是有效可行的。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

基于相空间重构小波神经网络的短期风速预测

风速具有高度非线性和非平稳性,难以精确预测。对此,利用神经网络逼近非线性函数的能力,结合小波变换多尺度特性,使风速在一定频域尺度上表现出准平稳性,建立了风速的小波神经网络预测模型。为了解决神经网络输入的随意性,以相空间重构理论确定最佳延迟时间和最小嵌入维数,重构风速时间序列,以重构后的时间序列作为模型的输入量对网络进行训练。仿真结果表明,所提基于相空间重构小波神经网络风速预测的准确性能得到了提高。     

基于相关向量机的短期风速预测模型

通过对风速的时间序列进行分析,表明该序列具有混沌特性。在此基础上,利用相空间重构理论建立基于相关向量机（RVM）的短期风速预测模型,并对不同的核函数进行分析,选出最优的核函数。与现有的风速预测模型相比,该模型具有高稀疏性、核函数选择灵活等优点。仿真结果表明,与BP神经网络和支持向量机（SVM）模型相比,RVM模型预测精度更高。     

基于粗糙集-混沌时间序列Elman神经网络的短期用电量预测

Elman神经网络由于其具有无限逼近和适应时变特性的能力被广泛用于动态数据预测。短期的用电量存在多种不确定影响因素,为了将所有影响因素考虑其中,引入混沌时间序列的重构相空间技术。由于神经网络在非线性函数中对于峰值预测偏差较大,粗糙集理论可以对其做出修正。因此,引入混沌时间序列理论和粗糙集理论改进Elman神经网络并进行建模。模型应用嵌入维度和延迟时间重构相空间恢复原来系统的动力学形态,将处理好的数据代入Elman神经网络进行用电量预测。最后引入粗糙集修正误差较大的峰值点,提高预测精度。收集了Heriot-Watt大学某宿舍楼30天的用电量数据,以5 min为计数频率共8 640个计数点作为数据集进行预测仿真。预测结果与Elman神经网络和混沌时间序列Elman神经网络进行对比,验证了该模型在短时间预测的有效性。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

用于短期风速预测的优化核心向量回归模型

风能的不确定性和难以准确预测给风电并入电网带来了困难。风速是影响风能的重要因素,风速的预测精度对风电功率预测的准确性有重要影响。提出一种优化的核心向量回归（CVR）模型,进行短期风速预测。其风速数据从某风电场每隔1 h采集1次,并采用粒子群优化（PSO）算法对CVR模型的参数进行优化,利用优化后的CVR模型进行风速预测。试验结果表明,在时空复杂度相当的情况下,该方法具有比CVR和SVR（support vector regression ）更高的预测精度。     

基于灰色-马尔可夫链的短期风速及风电功率预测

风速具有较大的随机波动性,影响风电及其与之相连电网的运行稳定性,良好的风速和风电功率预测是解决风电并网问题的关键。为此,对用于风速预测的灰色模型和马尔可夫链模型进行比较分析。通过对灰色拟合值的误差转移序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型,进而求得风速的误差预测值。并用马尔可夫链转移概率矩阵的期望值对传统马尔可夫链进行改进,得出改进型灰色-马尔可夫链模型,以此对风电功率进行直接预测,并与功率曲线模型法进行对比分析。结果表明,改进型灰色-马尔可夫链模型预测精度更高。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

计及气象因素和风速空间相关性的风电功率预测模型

建立了一种计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型。首先,考虑到数值天气预报数据中的风速精确度不高,建立了基于高斯过程的数值天气预报风速修正模型,计入其他气象因素,如风向、温度、湿度、气压等,进行风电预测。同时,基于目标风电场与相邻风电场区域的风速空间相关性分析,求得其最大相关系数点的延迟时间,建立风速空间相关性预测模型。然后,基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型,建立组合加权预测模型,并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值。算例结果表明,所提模型及方法能够有效提高风电功率预测的精度。     

新投产风电场的短期风速预测模型建立

常规的风电场功率预测建模主要方法是将数值天气预报产生的气象要素输入基于历史scada数据建立统计模型,得到全场预报总功率。但是新投产的风电场没有历史scada数据,而风电场功率预测的准确性主要依赖于短期风速预报的精度。因此,为提高新投产风电场功率预测的准确性,短期风速预报的建立是基于数值气象预报的物理模型和统计模型相结合的方式。首先,通过数值气象模式输出风电场测风塔处轮毂高度层的气象要素;其次,通过建立神经网络模型和多元线性回归两种统计方法对模式输出数据进行修正;最后,对误差的来源进行分类分析。在江苏某风场的测试结果表明,较传统的方式,预测精度有了明显的提高,该方法能够消除数值气象预报的振幅偏差,但相位偏差仍是误差的主要来源。     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。     

基于小波-神经网络的风电功率短期预测

根据风速、风电功率变化特点,有效地预测风电功率,可降低电网调度的难度,利用小波多分辨分析法将风速序列信号分解到不同尺度上以反映不同变化频率的风速信号,分解后的风速信号经多层前向神经网络BP（Back Propagation）预测出其对应的风电功率,通过将基于小波-神经网络模型的预测结果与基于BP神经网络模型的预测结果进行比较研究,发现基于小波-神经网络的预测精度更高,效果更好,且预测精度与预测时间长短有关。     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。     

基于风速云模型相似日的短期风电功率预测方法

风电功率预测是解决风电不确定性影响的重要基础和必要手段,高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格。训练样本是影响预测精度的关键因素之一,但由于实际天气系统的复杂多样性和类属模糊性,定向选择与调度时段内风况相似的训练样本对预测精度至关重要。因此,提出了基于云模型定向选取风速相似日数据作为训练样本的短期风电功率预测方法,能够对指定时段内风速随机性和模糊性特征进行学习和建模,通过对历史数据的定向筛选和精细化利用提升预测精度。首先,以日为单位建立历史风速的云模型数据库;然后,建立云模型相似度量化指标,用于判断与待预测时段风速云模型最为相似的历史数据序列,以此为训练样本建立短期风电功率预测模型。在实际预测中,每日根据天气预报信息滚动更新训练样本和预测模型,提高预测精度。最后,选择中国北方某风电场运行数据进行实例分析,结果证明了所提方法能够提高风电功率预测精度,具有一定的工程实用价值。