共查询到19条相似文献,搜索用时 140 毫秒
1.
介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。 相似文献
2.
风速预测对于风力发电并网调度至关重要。基于BP神经网络建立了风速预测模型,并从BP算法及遗传算法自身特点出发,针对BP网络结构确定困难、收敛速度慢等问题,提出创建多种群遗传算法,实现对BP神经网络的结构和权值初始值的同步优化。通过具体算例表明,经优化后的BP算法的收敛步数和计算时间明显减少,预测精度更高,网络整体性能有了显著提高。 相似文献
3.
4.
基于风速历史数据统计法和基于地理信息与数值预报的物理方法都不能经济、有效、准确地对超短期风速做出预测。为了满足超短期风速预测的时效性和准确性,提出了基于风速历史数据和周边风速数据的风速时空信息BP神经网络超短期风速预测的思想,并研究了基于风速时空信息BP神经网络风速预测模型。建立基于MATLAB平台的BP神经网络预测程序,并实例验证了基于风速时空信息BP神经网络风速预测方法具有更高的精确度、时效性和经济性。 相似文献
5.
6.
风电场风速预测模型研究 总被引:3,自引:3,他引:0
介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。 相似文献
7.
8.
9.
10.
基于SVM方法的风电场短期风速预测 总被引:2,自引:3,他引:2
针对基于支持向量机的风电场短期风速预测进行研究.选择了不同的输入向量(历史风速时间序列,历史风速和温度.历史风速、温度和风向,历史风速、温度和时间)作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。 相似文献
11.
12.
为提高风电输出功率预测精度,提出一种基于RBF-BP组合神经网络模型的短期风电功率预测方法。在考虑尾流等因素影响的基础上,对风速进行预处理。根据相关历史数据,建立RBF-BP组合神经网络短期风电功率预测模型,对风电输出功率进行预测。仿真分析结果表明,该预测方法能有效提高风电输出功率预测精度。 相似文献
13.
基于小波变换与Elman神经网络的短期风速组合预测 总被引:1,自引:0,他引:1
风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。 相似文献
14.
为了提高小型风力发电系统的可靠性和能量转换效率,文章设计了一种带有高频环节的单相正弦逆变器,该逆变器提出采用双BP神经网络控制。在Matlab下建立了逆变器仿真模型,仿真结果表明,设计的BP神经网络控制器可以使单相正弦逆变器具有较高的稳态精度和动态特性,满足小型风力发电系统的需要。 相似文献
15.
由于风速具有间歇性、随机性及波动性等特点,导致大规模风电并网对电力系统的安全、稳定运行带来严重影响。文章提出一种基于最大相关最小冗余(Maximum Correlation Minimum Redundancy,MRMR)的离群鲁棒极限学习机(Outlier Robust Extreme Learning Machine,ORELM)的短期风速预测新方法。首先分析影响风速的属性特征,采用MRMR算法来衡量不同风速属性特征与风速的相关性,进而确定风速属性特征的输入维度;然后对极限学习机(Extreme Learning Machine,ELM)进行优化,构建ORELM风速预测模型。最后以美国某大型风电场实测数据为依据进行风速预测,仿真结果表明该方法具有较高的预测精度。 相似文献
16.
This paper investigates factors which can affect the accuracy of short-term wind speed prediction when done over long periods spanning different seasons. Two types of neural networks (NNs) are used to forecast power generated via specific horizontal axis wind turbines. Meteorological data used are for a specific Western Australian location. Results reveal that seasonal variations affect the prediction accuracy of the wind resource, but the magnitude of this influence strongly depends on the details of the NN deployed. Factors investigated include the span of the time series needed to initially train the networks, the temporal resolution of these data, the length of training pattern within the overall span which is used to implement the predictions and whether the inclusion of solar irradiance data can appreciably affect wind speed prediction accuracy. There appears to be a relatively complex relationship between these factors and the accuracy of wind speed prediction via NNs. Predicting wind speed based on NNs trained using wind speed and solar irradiance data also increases the prediction accuracy of wind power generated, as can the type of network selected. 相似文献
17.
《可再生能源》2017,(4)
利用BP神经网络法和最小二乘法,对不同地形条件下的4个测站的10 s量级和15 min量级平均风速进行短临预报实验。研究发现,最小二乘法预报误差小,满足预报误差小于35%的日数比较大。无论是10 s量级预报,还是15 min量级预报,对于风速较大的01号站和04号站,最小二乘法优于BP神经网络法;对于风速较小的02号站和03号站,两种预报方法的预报效果相近;在10 s量级和15 min量级的风速短临预报方面,算法复杂的BP神经网络法并无明显优势。因此,在选取预报方法前,应结合预报方法本身的特征,充分考虑预报方法对地形、地貌和气候特征以及预报时效的适应性,最好对几个备选方法进行预报效果比对。 相似文献
18.
Wind speed forecasting is critical for wind energy conversion systems since it greatly influences the issues such as the scheduling of a power system, and the dynamic control of the wind turbine. In this paper, we present a comprehensive comparison study on the application of different artificial neural networks in 1-h-ahead wind speed forecasting. Three types of typical neural networks, namely, adaptive linear element, back propagation, and radial basis function, are investigated. The wind data used are the hourly mean wind speed collected at two observation sites in North Dakota. The performance is evaluated based on three metrics, namely, mean absolute error, root mean square error, and mean absolute percentage error. The results show that even for the same wind dataset, no single neural network model outperforms others universally in terms of all evaluation metrics. Moreover, the selection of the type of neural networks for best performance is also dependent upon the data sources. Among the optimal models obtained, the relative difference in terms of one particular evaluation metric can be as much as 20%. This indicates the need of generating a single robust and reliable forecast by applying a post-processing method. 相似文献