基于支持向量回归的风电场短期功率预测

针对风电场的短期功率预测,提出了一种考虑风电机组运行条件的用于风电场短期功率预测的新方法.首先,利用风力发电机的监控和数据采集(SCADA)系统数据计算输出功率和运行条件之间的皮尔逊相关系数,验证了SCADA监测项目对风力发电机输出功率的具有相关性;其次,建立支持向量回归(SVR)模型来预测单个风力发电机的风力与气象、运行状态的关系,发现了考虑运行条件的模型的预测结果优于仅考虑气象信息的模型的预测结果;最后,考虑到不同空间位置的风力发电机组对风电场输出功率的贡献不同,建立了各风力发电机预测功率和风电场预测功率输出之间的回归模型.试验结果表明:所提出的风场回归模型的预测误差小于风力涡轮机所有预测功率的模型的预测误差,从而验证了该方法的有效性.     

基于时序长记忆模型的风电场短期功率预测

随着风电的飞速发展,风电场接入电网的规模日益扩大,随之而来的是对风电功率预测准确性要求的提高,准确的风电功率预测可以更好地利用风能资源,减小风电并网对电网的不利影响。为了提高风电预测的精度,采用最大期望算法(expectation maximization algorithm,EM算法)对风电场功率历史数据进行处理,填补缺失值,替换错误数据,然后采用修正重标极差分析法即修正R/S分析方法分析数据的长记忆性,采用时间序列ARFIMA模型,然后根据预测时刻之前的功率数据,通过贝叶斯统计推断对模型参数进行估计,生成预测模型方程,进而对风电场输出功率进行预测。     

基于灰狼优化SVR的风电场功率超短期预测

提高风电场功率超短期预测的稳定度、精度和速度,是风电并网的关键技术之一.分析了风电场气压、温度、湿度等气象因素和风速对风机输出功率的影响,用风电场的气象数据和风速构建风电场物理模型,提出了一种用灰狼算法优化SVR参数C、g的风电场功率超短期预测模型,通过与GA-SVR、PSO-SVR预测模型比较,结果表明,该预测模型稳...     

诱导有序加权平均算子在城市公共交通预测中的应用

有序加权平均算子是近年来发展起来的,并在许多领域有着广泛的应用.本文通过引进诱导有序加权平均算子(IOWA),介绍并建立了组合预测模型,最后给出IOWA在城市公共交通预测中的应用,并结合实例分析结果表明了模型的有效性.     

基于Stacking 多GＲU 模型的风电场短期功率预测

为提高风电场短期功率预测的准确度,在深度学习的基础上提出利用Stacking 算法集成融合多个GＲU ( Gated Ｒecurrent Unit) 模型的风电场短期功率预测的方法。该方法首先搭建3 个多层GＲU 神经网络模型建立 第1 级模型,深度提取高维的时序特征关系,通过第1 级模型的预测结果构建训练集,然后利用新生成的训练 集训练第2 级GＲU 模型,第2 级的GＲU 模型采用单层结构,能发现并且纠正第1 级模型中的预测误差,提升 整体的预测结果。最终得到两级模型嵌入的Stacking 融合模型。以宁夏太阳山风电场历史数据为例对该模型 的准确性进行验证。实验结果表明,通过Stacking 算法融合的GＲU 模型相比其他算法预测平均绝对百分比误 差提高了0． 63,总体预测效果较为理想,预测准确度提升明显。     

4种诱导有序加权平均模型的构建

诱导有序加权平均算子是一种新的信息集结算子,用途非常广泛．基于诱导有序加权平均算子构建了4种组合预测模型．实例表明这种模型能有效地提高预测精度．     

诱导有序加权平均的组合预测模型及其应用

有序加权平均算子是近年来发展的在许多领域有着广泛应用的信息融合方法.本文引进诱导有序加权平均算子的概念,并探讨了它的一些性质,然后建立诱导有序加权平均新的组合预测模型,最后给出其在股票价格预测中的应用研究,实例分析结果表明了该方法的有效性.     

基于ARIMA模型的风电场短期风速预测

目前,风力发电的并网规模越来越大,但是鉴于风力发电特有的间歇性和随机性的特点,难免会对电力系统的稳定运行和电能质量造成巨大影响,也就限制了风电的发展速度与规模。对风力发电场的风速进行中、长、短期的预测可以在一定程度上有效的解决该问题,依据风速序列的自相关性以及时序性,本文提出了一种基于时间序列分析的风电场短期风速预测ARIMA模型,重点讨论了建模的过程、模型的识别、模型的定阶和模型参数的估计。最后结合风电场实际,对比于持续法预测给出了相应的预测结果和误差分析,验证了所提出的ARIMA模型用于风电场风速预测的可行性。     

卡尔曼滤波修正的风电场短期功率预测模型

针对数值天气预报模型输出的气象参数存在系统误差而导致风电场功率预测精度受到制约的问题,提出了一种基于卡尔曼滤波修正的风电场短期功率预测模型.使用卡尔曼滤波算法对数值天气预报输出的风速数据进行动态修正,并结合其他气象数据形成新的用于风电功率预测的修正气象数据集合;根据原始气象数据和修正气象数据这2个训练集分别建立了风电场功率输出的原始神经网络、修正神经网络的预测模型.经同一时间区间内的实测数据与模型分析数据的对比分析表明:通过卡尔曼滤波修正的风速数据能够很好地跟踪实际风速数据的变化趋势,平均误差与绝对平均误差比较小;所提模型能够显著降低预测结果的均方根误差,使其从未修正前的17.73%降低至11.32%,证明预测精度得到了明显提高.     

基于CEEMD-BiLSTM-RFR的短期光伏功率预测

由于短期光伏预测中气象因素的时间尺度不同,直接分析其对光伏功率的相关性,易忽略时间尺度的影响,进而导致预测模型误差。为提高光伏功率预测精度,构建了预测模型。首先,利用互补集合经验模态分解(complementary empirical mode decomposition, CEEMD)将光伏序列进行分解,得到在不同时间尺度上的光伏分量;然后,通过Pearson相关系数分析各光伏分量与空气温度、太阳辐射度、风速、风向和空气湿度的关系,对于强相关分量建立关于气象因素的随机森林回归(random forest regression, RFR)预测模型,弱相关分量直接通过双向长短期记忆网络(bidirectional long short-term memory neural network, BiLSTM)进行预测;并将预测求和输出。通过安徽省蚌埠市光伏电站7月实测数据进行验证,实验结果表明,所提预测模型CEEMD-BiLSTM-RFR相比传统预测模型有较好的预测精度。     

基于CEEMD-LSTM光伏短期功率预测

为解决传统机器学习方法在面对多变的环境因素和不平稳序列时导致光伏功率预测精度低的问题,本文提出一种基于完全经验模态分解(Complete Ensemble Empirical Mode Decomposition , CEEMD)和长短期记忆神经网络(Long Short-Term Memory , LSTM)相结合的光伏短期功率预测模型。首先充分考虑影响光伏出力的太阳辐照度,相对湿度,大气压力和空气温度4种环境因素,通过CEEMD将气象因素特征曲线分解为多模态特征数据,准确捕捉其不同的时间尺度和频率特征,进而充分保留环境数据的不平稳特征。在此基础上,利用LSTM网络对多模态特征数据进行时间序列建模,旨在保留时间序列的季节性和不平稳特征,为后续建模提供更准确的输入特征。最后,通过对分解后的信号开展训练,根据输入数据的变化自适应调整预测模型参数,迭代生成特定场景下的预测模型,从而灵活应对实时环境变化,得到相应功率预测结果。本文在海南一孤立海岛分布式光伏电站37kW子阵的8个月气象和功率数据集进行验证,实验结果表明,所提方法在保留环境数据细节和局部特性上具有显著优势,在不同气象条件均具有良好的自适应性,有效提高了光伏短期功率预测精度。     

基于误差修正的短期光伏功率预测

随着太阳能使用率的不断提高,太阳能资源的易变性使电网管理出现了困难。为了提高太阳能发电功率的预测精度,在安全稳定运行中保障工业电力系统的正常使用,提出一种结合改进的自适应噪声互补集成经验模态分解(improved complementary ensemble empirical mode decomposition with adaptive noise, ICEEMEDAN)与差分自回归移动平均(autoregressive integrated moving average, ARIMA)的长短期记忆(long-term and short-term memory, LSTM)神经网络模型,使用该复合模型对光伏发电功率进行预测,通过对影响光伏功率的不同变量进行评估,获取特征重要性并作为模型的输入,在时间尺度上利用改进后的LSTM模型进行建模,以R²等相关指标评判模型性能的优劣,从而实现完整的光伏功率预测。实验采用澳大利亚光伏数据集群(DKASC)中一光伏电站2016年实测数据进行验证,两组实验中修正预测模型较单一LSTM神经网络光伏功率预测模型的精确度分别提高...     

基于有序加权平均的博弈树搜索法

提出了一种基于有序加权平均(Ordered Weighted Averaging—OWA)的博奕树搜索方法.该方法可以弥补α—β剪枝等方法中存在的一些缺陷,且具有比基于广义均值的Min/Max近似搜索更好的性能.     

基于小波分析法与滚动式时间序列法的风电场风速短期预测优化算法

为实现风电场风速的超前多步高精度预测,提出一种基于小波分析法与滚动式时间序列法混合建模的优化算法。该优化算法引入小波分析法对风电场实测非平稳风速序列进行分解重构计算,将非平稳性原始风速序列转化为多层较平稳分解风速序列,利用对传统时间序列分析法改进后的滚动式时间序列法对各分解层风速序列建立非平稳时序预测模型,并通过模型方程实现超前多步滚动式预测计算。仿真结果表明:该优化算法实现了风速的高精度短期多步预测,将传统时间序列分析法对应超前1步、3步、5步的预测精度分别提高了54.22%,26.44%和19.38%,其预测的平均相对误差分别为1.14%,3.06%和4.41%;优化算法具有较强的细分与自学习能力。     

基于DWT-CNN-LSTM的超短期光伏发电功率预测

太阳能是未来清洁能源的关键,由于各种气象因素的影响,光伏发电通常不稳定.准确预测光伏发电功率的方法已成为解决光伏发电规划和建模问题的重要工具,可以减轻电力系统的负面影响,提高系统的稳定性.提出了一种基于离散小波变换(discrete wavelet transform,DWT)、卷积神经网络(convolutional...     

基于EMD-RVM的短期光伏发电系统功率预测

由于光伏发电并网会对电网产生冲击,进而影响电网的稳定,因此提高光伏发电预测的精度对电网具有重要的意义。考虑到光伏出力的非平稳性和随机性,提出了一种基于经验模态分解(EMD)和相关向量机(RVM)的组合方法(EMD-RVM)对光伏发电系统功率进行预测。首先把历史数据按照天气类型进行分类,利用欧氏距离算法筛选出与待预测日特征相似的历史数据;然后将光伏发电输出功率序列进行集合经验模态分解,得到若干个不同频率的相对平稳的固有模态分量(IMF),通过分析不同分量的特征规律对各分量建立对应的RVM模型,再将各分量的预测值等权值求和得到最终预测值。仿真结果表明,同一些传统预测方法相比,利用EMD-RVM组合方法进行光伏发电预测具有较高的预测精度。     

风电场超短期风速预测方法对比

以沿海及山地复杂地形条件下的风电场为例,采用为期10 d的风电场测风塔实测风速资料,对比了两种预测方法在时效为4 h的超短期风速预测中的性能。其一为采用WRF数值模式预报的物理方法,其二为BP神经网络的统计方法;并探讨了两种风速预测方法的实用价值及意义。结果表明,与物理模拟方法相比,统计方法在4 h的超短期风速预测中,无论是预测准确性及计算效率都有一定的优势。     

基于EMD-AO-DELM的光伏功率预测算法

为提高光伏功率预测精确度,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）-天鹰优化器（Aquila Optimizer,AO）-深度极限学习机（Deep Extreme Learning Machine,DELM）的组合光伏功率预测模型.该算法对光伏发电影响因素进行分析筛选,选出与光伏输出功率高度相关的因素作为输入变量,并采用经验模态分解（EMD）将光伏原始功率数据分解为多个特征模态函数（Intrinsic Mode Function,IMF）.然后,将分解得到的IMF分量分别输入DELM预测模型,同时通过AO优化算法对DELM初始输入权重进行优化,从而提高深度极限学习机的泛化能力.最后,将各IMF分量预测结果叠加求和得到最终预测结果 .通过仿真结果表明,本文提出的EMD-AO-DELM预测模型,相较于单一DELM模型具有更好的预测精度,证明了所提方法的有效性.     

短期光伏发电系统功率预测

针对光伏功率预测没有充分利用历史数据的问题,提出一种改进随机森林算法与长短期记忆神经网络相结合的预测方法（IRF-LSTM）。利用粒子群算法优化随机森林算法中的参数,并对原始气象数据进行特征选择。将特征选择后的结果作为输入,对预测模型输出的结果进行反归一化处理得到预测的功率序列。选用某光伏电站的实测数据对该算法模型进行预测,结果表明：该方法能充分利用预测时刻之前的气象时间序列,有效提高光伏功率预测精度,与RF-LSTM方法、单一LSTM方法相比具有更高的准确性,预测误差更小。