基于ICEEMDAN-ICSSA-CKELM-TCCA的短期风电功率预测研究

为了提高风电功率预测的准确性,基于信号分解、优化算法和误差修正,提出一种ICEEMDAN-ICSSA-CKELMTCCA的风电功率预测组合模型。首先采用改进的带自适应噪声的完全集成经验模式分解（ICEEMDAN）和样本熵原理,对原始功率序列进行分解和重构,得到更适合提取特征的新序列。然后,建立包含Poly核函数、RBF核函数的组合核极限学习机（CKELM）对新的序列进行初步预测,并利用融合了Tent混沌映射、动态惯性权重和自适应t变异策略的改进混沌麻雀搜索算法（ICSSA）对其参数进行优化,提升CKELM预测性能。最后将时间卷积网络（TCN）与高效通道注意力机制（ECA）组合搭建为TCCA模型,对初步预测结果进行修正。以中国云南省某风电场的数据为例进行多组实验,结果表明该模型针对风电功率具有较高的预测精度。     

基于改进BP神经网络的风电功率预测

在双碳目标提出后,风电、太阳能等清洁能源的部署得到迅速响应。风电是一种随机性较高、不确定性较大的能源。大量风电接入电网会对电网的安全运行造成很大影响。文章通过对风电的原始值进行预处理,再由改进的前馈神经网络—BP神经网络对风电功率进行预测,改善风电对电网造成的影响。研究表明,风功率预测技术能够为电网增加收益,同时,改进的BP神经网络的预测准确度更高,具有一定的实际应用性。     

融合Savitzky-Golay滤波器的TCN-SA-BiGRU风电功率预测

陆上风力发电作为主流清洁能源发电方式之一,预测其发电功率也是目前研究热点问题。本文提出融合Savitzky-Golay滤波器与基于自注意力机制的TCN-BiGRU风电功率预测模型。利用Savitzky-Golay滤波器对风电功率及相关特征数据进行降噪,随后将数据输入进由TCN时域卷积神经网络、自注意力机制模块、双向门控循环单元网络所搭建的TCN-SA-BiGRU模型中,这些模块能够更深、更快挖掘数据特征。最终预测结果显示,融合了Savitzky-Golay滤波器的模型能够有效对数据降噪,并且相较于传统单一神经网络等模型,本模型的预测性能更高。     

基于遗传算法优化BP神经网络模型的风电功率预测

风电功率预测为电网规划提供重要的依据,研究风电功率预测方法对电网安全稳定运行下接纳更多的风电具有重要的意义.针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度低等问题,提出利用遗传算法对BP神经网络的拓扑结构和网络权值进行优化,并将其应用于风电场功率预测.最后采用平均百分比误差、均方根误差、准确率和合格率评价...     

一种用于风电功率预测的双存储结构LSTM模型

文章针对风力发电特有的间歇性和不稳定性等特性,提出一种双存储神经元的长短时记忆(LSTM)模型(DuLSTM)用于风电功率预测。通过建立双存储神经元结构的LSTM模型,对周期性较强和突变性较强的风电功率分别采用不同神经元建模,有效解决受天气剧烈变化影响下的风电功率预测精度较低的问题。实验结果表明,预测误差相对LSTM模型从10.4%下降到7.0%,改进后的Du-LSTM神经网络模型在预测精度和拟合度上优于原始LSTM网络模型。     

基于PSO-WaveNet的短期风电功率预测

为了应对风电大规模并网给电力系统带来的严峻挑战,同时提高风力发电的市场竞争力,需要对短期风电功率进行准确预测.文中将小波分析和粒子群优化理论引入神经网络——PSO-WaveNet算法.该算法构建了稳定的风电功率预测网络模型,同时利用灰色关联算法确定网络的输入参量.弥补了神经网络容易陷入局部最优值的缺陷,实验结果表明用算法进行风电功率预测提高了预测精度,验证了该混合算法的可行性.     

基于GA_Elman的风电功率短期预测方法

风力发电的随机性和波动性是制约风电并网的根本原因,准确的短期风电功率预测可以协助电网协调部门实时调整合理准确的调度计划、配置备用电量,这样,电网公司就可以最大限度地节约运行的成本.其中,最为重要的就是如何提高风电功率预测的精度,为此,该文提出一种基于GA_Elman的风电功率短期预测方法.该方法就是利用了GA算法对El...     

基于小波变换和神经网络的短期风电功率预测方法

为了降低电网调度的操作复杂性,同时提升风电功率的预测精度,本文主要分析影响风电功率预测方法的因素,包括风向、风速以及环境温度等方面,同时经过对比研究,小波变换和神经网络的短期风电功率预测方法能够提升预测精度.     

超短期风电功率预测研究现状

本文将简述风电场超短风电功率预测误差对电力供应的影响,指出影响风电场超短期风电功率预测的因素,分析风电场超短期风电功率预测研究现状。     

基于风速融合和NARX神经网络的短期风电功率预测

高精度的短期风电功率预测是保证电网日常调度及运行安全的关键因素。目前,国内短期风电功率预测精度普遍低于国外水平。为了提高风机短期功率预测精度,提出一种基于风速融合和NARX神经网络的预测模型。该方法对同一地点不同数据源提供的预报风速进行融合,采用NARX神经网络进行短期风电功率预测。仿真实验结果表明,所提出的短期风电功率预测方法是可行的,预测精度可提高至87.8%,与其他风电功率预测模型相比,具有更高的预测精度和更好的适应性。     

基于QGA-Elman模型的新能源汽车充电站负荷预测

现代社会新能源汽车的利用率越来越高,很多城市都开始推广新能源汽车,政府也开始重视新能源汽车的发展。对于整个配电网来说,对短期新能源汽车充电站的负荷的预测是很有必要的。文中提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)与量子遗传算法(QGA)-Elman组合的模型对相似日新能源汽车充电站进行负荷预测。利用新能源汽车充电站所给的相似日的历史数据作为输入参数训练所建立的模型来预测次日的发电量。该组合模型在减小预测误差方面有所改进,研究的问题有一定应用价值。     

基于ARIMA改进的实时动态滑坡预测模型

针对应急救援环境下,滑坡实时动态位移测量存在数据波动范围广、噪声大、模态混叠等问题,提出了一种基于CEEMDAN-Kmeans-ARIMA的组合预测模型。首先基于自适应噪声完备集合的经验模态分解算法,将添加PPP定位偏差噪声的斋藤模型信号分解为多个本征模态函数,并且根据K-means聚类算法将物理意义相近的本征模态函数进行聚类重构;然后针对多个聚类重构分量,构建最优的差分自回归移动平均预测模型;最后将聚类重构分量的预测值进行叠加,得到组合模型的预测值。实验结果表明,组合模型的MAPE指标相对于ARIMA单模型提高了2.16%,解决了ARIMA预测模型存在的突变量不敏感、剩余滑坡预测时间不准等问题。在救援环境下,采用所提出的模型对实时动态滑坡进行预警预测具有一定的工程应用价值。     

风电功率Web服务平台的设计

风电功率预测是风电业务中的重要环节,在研究风电功率服务需求的基础上,文章设计了适应于多元应用场景下集约化风电功率预测管理的风电功率Web服务平台。在该设计过程中,详细讨论了平台的体系结构、技术架构和业务流程,阐述了技术路线和关键技术。     

风电功率Web服务平台的设计

风电功率预测是风电业务中的重要环节,在研究风电功率服务需求的基础上,文章设计了适应于多元应用场景下集约化风电功率预测管理的风电功率Web服务平台。在该设计过程中,详细讨论了平台的体系结构、技术架构和业务流程,阐述了技术路线和关键技术。     

基于互补自适应噪声的集合经验模式分解算法

经验模式分解(EMD)及其改进算法作为实用的信号处理方法至今仍然缺少严格的数学理论。该文尝试从数学理论上分析集合经验模式分解和自适应噪声集合经验模式分解的重构误差,推导了总体残留噪声的计算公式。针对自适应噪声集合经验模式分解在每一层固有模态分量上仍然存在残留噪声的问题,在分解过程中添加成对的正负噪声分量,提出一种基于互补自适应噪声的集合经验模式分解算法。实验结果表明,相比于集合经验模式分解和自适应噪声集合经验模式分解,所提的方法能够明显地减少每一层固有模态分量中残留的噪声,拥有较好的信号重构精度和更快的分解速度。     

基于CEEMD-TCN模型的变压器油中溶解气体浓度预测方法

变压器油中溶解气体浓度是了解变压器运行状态、判断变压器是否发生故障的重要指标。针对油中溶解气体浓度序列非线性、非平稳性的特点,数据直接训练模型会明显降低预测精度,因而提出了一种基于互补集合经验模态分解和时间卷积网络相结合的预测方法。首先,将原始序列分解成不同尺度的子序列分量,经过预处理后训练时间卷积网络,并优化网络超参数,各分量的预测结果叠加重构从而获得最终预测结果。通过实验验证表明,该模型预测误差小,预测精度高。     

基于遗传算法优化参数的支持向量机风电功率预测

支持向量机是一种非常有前景的学习机器,也是广大国内外学者研究的热点。选择合适的参数,对提高SVM的预测能力十分有必要。本文通过研究支持向量机中参数的选择对其预测能力的影响,建立了利用遗传算法进行参数最优选择的GA-SVM模型,并基于此模型进行风电功率预测。同时,研究了数据归一化、不良数据存在等因素对支持向量机预测效果的影响,得到的结果证明支持向量机有较好的预测效果和泛化能力。     

风电功率波动特性的分析

随着化石能源约束的日趋严苛,风能开发已然成为一种趋势。由于风的不确定性、间歇性以及风电场内各机组间尾流的影响,使得风力发电机不能像常规发电机组那样根据对电能的需求来确定发电。风电功率的随机波动被认为是对电网带来不利影响的主要因素。研究风电功率的波动特性尤为重要。本文基于某电厂的20台风电机30天内的风电功率实测数据,通过对图形及参数的研究,得到最优的概率分布模型为分布,并针对结果用拟合指标作出了检验。最后利用小波神经网络对功率做有效的预测分析。     

基于CEEMD-PSO-MNN的船舶航迹预测

船舶航迹预测对保障海上交通安全具有重要意义,为进一步提高船舶航迹预测精度,提出了一种从认知神经科学和神经生理学继承的模块化设计方法用于开发神经网络,旨在通过大脑强大的功能(分而治之)来解决复杂问题。首先,利用互补集合经验模式分解算法(CEEMD)将船舶航迹时间序列分解为多个相对平稳的子序列,使其具有不同的本征模态函数及趋势项,这在一定程度上降低了航迹时间序列的复杂程度;然后,通过模糊熵(FE)量化各子序列的复杂性用于辅助模块化神经网络(MNN)任务分配;最后,将粒子群(PSO)改进的长短期记忆神经网络(LSTM)作为模块化神经网络的子网络用于解决船舶航迹时间序列预测任务。选取相关数据进行测试,验证了所提方法对船舶航迹预测的准确性和实用性。     

基于EMD-BP模型的10 kV开关柜温度预测

实施变电站10 kV高压开关柜过热风险预警,对于保障变电站安全运行具有重要意义。因此,提出了一种基于EMD分解和BP神经网络相结合的10 kV高压开关柜温度预测方法。首先利用无线温度传感器收集开关柜产生过热关键位置的温度,其次将测得的原始温度序列分解成不同频率尺度的固有模态分量,再次利用改进BP神经网络模型进行温度预测,最后累加各模态预测值实现温度预测。研究表明,所提EMD-BP温度预测模型相比传统BP模型的预测精度更高,有利于无线温度监测条件下实现10 kV高压开关柜的过热风险预警。