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CNN-LSTM和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,采用华北某风电场的风电数据集,以未来4小时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,相较于其他三种单一模型,组合模型具有更高的预测精度。     

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和XGboost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,相较于其他四种单一预测模型,组合模型具有更高的预测精度。     

基于AM-LSTM模型的超短期风电功率预测

近年来,中国的风力发电产业高速发展。然而风力发电具有不稳定性,风电功率超短期预测结果的准确性直接影响到电网安全有效的运行。为了进一步提高风电功率超短期预测的精确度,提出了长短期记忆网络-注意力模型(AM-LSTM)风电功率预测模型,该模型将长短期记忆网络(long-term and short-term memory,LSTM)和注意力模型(attention model,AM)相结合, LSTM网络能够处理好风速、风向等时间序列变量与风电功率之间的非线性关系,注意力模型能够优化LSTM网络的权重,从而使预测结果更加准确。采用真实的风电场历史数据进行实验,结果表明:提出的AM-LSTM预测模型能够有效利用多变量时间序列数据进行风电场发电功率的超短期预测,比传统的BP神经网络和LSTM网络具有更精确的预测效果。该预测模型为风电场地电力调度提供了科学参考。     

基于IVMD-CS-LSTM的超短期风电功率预测算法设计

功率预测对提高风电电能质量、减少风电并网时对电网的冲击起着重要作用.针对风电功率数据特征，提出一种基于改进变分模态分解（Improved Variational Mode Decomposition,IVMD）的长短期记忆神经网络（Long-Short Term Memory Network,LSTM）的风电功率预测算法，并利用布谷鸟（Cuckoo Search,CS）算法对LSTM进行超参数寻优.首先，通过相关性分析，对风电场10类数据进行特征筛选，确定与功率相关性最大的两类数据作为模型的输入数据.接着，利用IVMD计算最大包络线峰度，确定变分模态分解的最佳分解参数，将原始风速序列进行分解，得到时间尺度各异的本征模态分量（Intrinsic Mode Functions,IMF）.最后，针对LSTM神经网络模型的超参数优化困难、难以得到最优解等问题，提出采用CS算法对关键超参数进行寻优，建立了IVMD-CS-LSTM预测模型，得到了风电功率短期预测结果.采用实际风电场数据对算法进行测试，与常用预测算法比较，预测结果有更高的精度.     

风电时序动态修正的实时调度计划研究

针对风电功率预测偏差影响电力系统发电计划准确性的问题,提出了一种超短期内风电时序动态修正的实时调度模型.该模型采用马尔科夫链时序预测方法,以5~15min为周期动态修正风电超短期预测功率的时间序列,并以煤耗增量最小和弃风最小为双重优化目标,同步修正风电场及常规机组的发电计划,最后将模型转化为凸二次规划及其拉格朗日对偶问题,并基于原-对偶内点法构建求解算法.通过对含风电场的10机组系统的仿真分析表明:所提模型在日内调度过程中进一步优化了系统的运行成本,同时提高了系统跟踪风电功率波动和消纳风电的能力,所采用的求解算法收敛迅速、鲁棒性强,可适应于实时调度的计算需要.     

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。     

基于有参和无参分析的风电功率短期点预测值置信区间估计

根据风电场实际风速数据分布满足威布尔分布和正态分布,对风速满足正态分布的风电场功率概率分布进行详细推导、分析了基于两种风速分布的风电场短期点预测功率与未来实际风电功率偏差的概率求取,短期点预测风电功率波动的置信区间估计;同时,也采用非参数法进行风电功率短期点预测值的置信区间估计.通过对两组分布规律不一样的原始数据分析,求点预测风电功率的置信区间,并把有参和无参区间估计进行比较,验证了方法的实用性和有效性.     

基于动态神经网络时间序列的风电功率短期预测

近年来,随着我国的风电发展的突飞猛进,对风电场功率进行实时预测具有重要意义,但大气和电场的地形地貌等自然因素导致风电功率的不可控性。本文利用动态神经网络的反馈记忆特性,采用基于NAR动态神经网络对风电功率进行时间序列短期预测,准确率高达93.7%,证明该模型能有效提高风电功率实时预测的准确性,可改善风电联网运行性能,为电力生产和调度提供良好的条件。     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析（neighborhood components analysis,NCA）特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

采用特征优选和优化深层核极限学习机的短期风电功率预测

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题，提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测。利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集，既能表达风电功率的有效信息，也能避免冗余信息的出现，有利于DHKELM模型的学习与训练，同时也降低了模型的复杂度。针对DHKELM超参数难确定的问题，利用改进的野犬优化算法(IDOA)对DHKELM的8个超参数进行寻优，可以发掘原始序列特征信息，从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系。以国外某风电场真实数据为算例，结果表明：提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MAPE)分别降低了0.979 3%、2.342 1%、3.383 2%,有效提高了风电功率的预测精度。     

基于SSA-VMD-LSTM-NKDE的短期风电功率概率预测

为进一步提高风电功率预测精度,提出一种基于麻雀搜索算法(SSA)优化VMD参数的组合预测方法。首先,使用麻雀搜索算法对VMD参数进行优化,并利用优化后的VMD对数据进行分解;其次,结合灰色关联分析法和熵权法对环境变量进行相关性分析,选择相关性最高的影响因素与分解得到的各模态分量组合作为LSTM预测模型的输入,获得更为精确的预测结果;最后,建立基于非参数核密度估计(NKDE)的风电功率概率预测模型,实现对风电功率预测结果不确定性的有效量化。结果表明,所提组合模型的MAE,RMSE和MAPE比VMD-LSTM模型的分别下降了39.51%,33.22%和40.39%。SSA-VMD-LSTM-NKDE组合模型不仅能够有效提高确定性预测的精度,而且还能够实现对风电功率预测结果不确定性的有效量化,为风电功率预测提供了科学决策依据。     

基于数据特征提取和SSA-BiLSTM的短期风电功率预测

为提高风电功率预测的准确性，提出了一种基于数据特征提取和麻雀算法优化双向长短期记忆网络（sparrow search algorithm optimised bi-directional long and short-term memory network,SSA-BiLSTM）短期风电功率预测模型。首先根据皮尔逊相关系数（Pearson correlation coefficient,PCC）分析风电数据中各影响因素与风电功率之间的相关性，根据计算结果将功率无关的因素去除。然后，采用自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）将原始风电功率序列进行分解，得到一系列子序列分量。再将所有子序列输入麻雀算法（sparrow search algorithm,SSA）优化的双向长短期记忆（bi-directional long short-term memory,BiLSTM）模型中进行预测，根据所得预测值对风速序列进行修正。将修正所得的风速序列与风电功率...     

基于模糊聚类分析的风电功率预测研究

提高短期风电功率预测精度是风电大规模发展的迫切要求,同时也是保障风电并网运行的关键。笔者在不增加模型复杂度的前提下,提出了聚类建模方法。该方法首先采用减法聚类与模糊C均值聚类(FCM)方法相结合对训练样本进行处理,然后建立不同聚类集下对应的预测模型库,最后将预测数据与聚类后的样本数据进行匹配,选择合理的模型进行预测。采用山西某风电场实际数据进行大量仿真,并将预测结果与单一模型结果对比,结果表明,该方法可以减少大的预测误差点数,有效提高风电功率预测精度。     

基于EMD-PF-GRNN的短期风电功率预测研究

针对短期风电功率预测,将风电输出功率作为时间序列信号,由于其所具有波动性、非平稳性的特点,提出一种基于经验模态分解(EMD)、粒子滤波(PF)和广义回归神经网络(GRNN)的组合预测模型。首先,利用EMD对风电功率序列进行分解,获得各个相对平稳的模态分量;然后,将分解得到高离散度的数据采用PF进行分析处理,低离散度的数据采用GRNN进行分析处理,其中,通过粒子群算法(PSO),根据各低离散度数据自身特点优化GRNN的平滑因数,以进一步提高其预测性能和精度;最后,通过线性叠加各分量的预测结果得到最终风电功率的预测值。结果表明,与PSO-GRNN和单一GRNN结构相比,EMD-PF-GRNN预测模型的预测误差降低了6%左右,预测精度更高,可以更好的预测风电功率。     

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。     

基于波动分量偏度风电功率的预测

风电功率波动分量的存在对风电功率的预测精度有重要影响。为提高风电功率的预测精度,本文从波动分量偏度入手,推导出预测精度与波动分量的偏度的相关性;并选取合格率作为精度指标,运用卡尔曼滤波模型和小波神经网络模型计算合格率,验证了合格率与偏度的相关性;最终得出波动分量的偏度与风电功率的预测精度呈显著负相关,该结果表明选取波动分量偏度较小的数据可提升风电功率预测精度。     

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Mycielski改进的Markov链超短期风电功率预测方法

针对在Markov链超短期风电功率预测过程中未考虑风电功率变化趋势,在不同风电功率变化区间均采用同一状态转移概率矩阵,导致预测精度欠佳的问题,提出了一种基于Mycielski方法改进的Markov链预测方法.首先利用Mycielski方法在风电功率历史序列中寻找最长长度的重复序列,然后将计算每一时刻Markov链状态转移概率矩阵的序列重新定义,最后利用每一时刻的Markov链状态转移概率矩阵进行风电功率预测.对我国某风电场超短期风电功率进行总体预测.结果表明,在均方根误差的对比上,基于Mycielski方法改进的Markov链预测方法能够提高14.15%的预测精度,具有一定的实用价值.