基于多维泰勒网的自适应混沌时间序列多步预测

提出了一种新的混沌时间序列预测方法——多维泰勒网方法.该方法不以相空间重构方法中嵌入维数和时间延迟这两个关键参数的选取为前提,无需系统的先验知识和机理,仅根据已知的时间序列样本,通过多维泰勒网模型获得n元一阶多项式差分方程组,进而得到能反映非线性系统动力学特性的多维泰勒网动态模型.在此基础上提出了基于多维泰勒网的自适应多步预测方法,通过数据窗口的滑动自适应建模,实现对混沌时间序列的多步预测.将该方法应用于Lorenz混沌时间序列的一步和多步预测,均方误差分别达到2.56×10-5和2.76×10-3.仿真结果表明,该方法可以对混沌时间进行有效预测,且具有较高的预测精度.     

基于多变量相重构的混沌时间序列预测

提出了一种基于多变量相重构的混沌时间序列预测方法.该预测方法从非线性动力学系统中获取与待预测时间序列相关的信息组成多变量时间序列,首先进行多变量相空间重构,然后利用局域多元线性回归模型在相空间中进行预测,最后从预测出的高维相点中分离出时间序列的预测值.由于考虑了动力学系统中多个变量之间相互耦合的关系,从而增加了重构相空间的系统信息量,使得相空间的相点轨迹更加逼近原系统的动力学行为.与采用单变量进行预测的方法相比,基于多变量相重构的预测方法无论是单步预测还是多步预测,都能有效地提高预测精度,且具有嵌入维数的选择对预测精度影响较小的优点.通过对Lorenz混沌信号进行预测,实验结果验证了方法的有效性.     

混沌时间序列局域线性预测方-法

在许多场合下,时间序列中的明显随机性可能是由于非线性确定性系统中混沌行为的缘故．混沌系统对初值的极端敏感性使之不可能对其时间序列进行长期预测,然而,利用混沌的确定性可以进行短期预期．混沌时间序列预测首先要重构相空间,接着再利用非线性函数逼近方法构造一个动力学系统模型．探讨了预测模型问题,并用数值分析的方法对Ｆａｒｍｅｒ＆Ｓｉｄｏｒｏｗｉｃｈ,Ｌｉｎｓａｙ和Ｎａｖｏｎｅ＆Ｃｅｃｃａｔｏ提出的三种典型混沌时间序列局域线性预测方法进行了研究．实验结果表明,这三种方法的性能是相同的．本文的结果将平息人们对这三种方法优劣的争论,有利于在实际中选择合适的预测模型．     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

混沌算子网络在经济数据预测中的应用研究

采用多个混沌算子单元组成一种新的预测网络,实现经济数据的预测分析.利用已知数据构造出训练样本,通过调节混沌算子单元的控制参数来控制其动力学特性,以此改变预测网络的动力学行为,使预测网络的动力学特性逐渐逼近被预测系统,并随之一致变化,从而实现时间序列的动态预测分析.利用该方法对国内生产总值和国民总收入等经济数据进行了预测...     

输电线路容量的混沌特性及预测

我们对输电线路容量使用的预测方式是通过动态提高容量技术来实现的,用该技术来将输电线的容量数据进行搜集,在使用混沌时间序列来完成.该文主要是对输电线路容量的混沌特性来进行了探讨分析,对其预测进行了相关的探讨和研究,说明其预测是可以进行的,而且对其准确性进行了说明.     

基于卡尔曼滤波的混沌系统辨识

通过建立一种对混沌时间序列进行有效预测的方法构架,试图实现尽可能长期的混沌预测,并重构序列的主动态方程,以便于进一步的分析研究,根据非线性系统的一般框架,首先基于所观测时间序列的基本混沌特性寻找一典型混沌方程作为参考的系统动态方程;然后利用扩展卡尔曼滤波递推得到一动态方程式来逼近系统特性,重构混沌相空间吸引子,仿真结果表明,该方法可以实现较高精度的多步预测并有效地重构系统方程。     

一种基于混沌理论的数据流连续聚集查询预测算法

为了有效地预测聚集查询的未来聚集值,提出了一种基于混沌理论的数据流连续聚集查询预测未来聚集值算法——CSPA算法.数据流看作是以数据到达时间为序的一个时间序列,借鉴传统时间序列分析技术探讨了连续聚集查询的未来聚集值预测问题,但由于数据流序列与传统时间序列在时间间隔和数据集的处理上存在很大差别,于是采用流滑动窗口技术加以处理.其次,针对目前数据流聚集查询预测领域已有的一些研究结果都未考虑流数据内在的复杂非线性动力学特征对预测的影响问题,该算法又利用了混沌理论中的局域预测思想解决了这一不足.实验结果表明,利用该算法进行预测具有很好的准确性.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

Takens理论和小波分析在非线性预测中的应用

以 Takens理论为基础 ,将小波和时间序列分析相结合 ,对时间序列进行非线性预测 .首先 ,对混沌吸引子做非线性长期预测 ;其次 ,对经济时间序列做非线性短期预测 ;另外 ,指出对于用充分多个小波基函数 φmn来逼近原时间序列的预测误差可以任意小的性质 .     

基于时间序列分段的风电机组调节速率估计

在大规模新能源快速发展和应用的背景下,电网频率波动加剧,而且高比例的可再生能源发电机组挤占常规调频机组,导致系统调频能力不足,迫切需要新能源机组参与电网快速频率控制。而与传统火电、水电机组相比,风电机组具有更强的调频能力。为评估风电机组的调节能力,提出一种基于时间序列分段的风电机组调节速率估计方法。首先,基于风电机组的实发功率历史数据,利用分段线性表示方法对风电机组实发功率时间序列进行趋势提取;然后,根据分段趋势自动寻找机组实发功率调节动态段,计算风电机组的调节速率指标。最后,通过仿真和工业案例,并与现有方法进行对比,验证了所提方法的可行性和有效性。     

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.     

含风电并网系统鲁棒区间优化调度

随着风电渗透率的不断增大,风电功率的不确定性对电力系统的安全稳定运行带来了极大的挑战。为应对风电功率的不确定性,增强电力系统的大规模风电消纳能力,建立了含风电并网系统鲁棒区间优化调度模型。求解该模型得到风电场的最大允许输出功率区间及常规机组的最优经济调度计划。通过引入风电场最大允许输出功率区间作为控制目标,可有效降低弃风量、减少常规机组输出功率调节频次。在IEEE-RTS系统中进行仿真,仿真结果表明该模型所得系统调度策略的鲁棒性及安全性最优。最后以省级电网实际数据进行实例分析,验证了所提模型及方法的有效性。     

风力发电系统的建模和仿真

概述了风力发电系统的建模和仿真方法,分析比较了它们的优缺点;介绍了多领域统一建模新方法,此方法为风电系统的性能仿真提供了有效工具,基于Modelica的工具软件,可以为风电系统的性能仿真提供统一的工具,让不同领域的仿真分析基于统一的模型,实现不同领域模型的无缝集成。     

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。     

风力机与储能系统协调控制降低风电波动

风电高度依赖于风速,由于风速变化很大,因此会给电力系统带来严重的稳定性问题。为减小ESS( Energy Storage System) 的成本和风电功率波动,提出了一种浆距角与ESS 协调控制的方法,根据转速的大小,进行浆距角控制和ESS 控制,在减小电网测风电波动的同时,能降低ESS 的容量。在Matlab /Simulink 环境下,搭建了风电系统模型,仿真结果表明,与传统ESS 控制相比,功率波动下降了5． 6%,ESS 容量降低了50%,证明了该控制策略在降低功率波动方面的有效性。     

风火电打捆输电系统风火电配置比例研究

针对风火打捆外送的风火电比例配置问题,以机组总运行成本最低和输电功率最大为目标建立电源出力配置模型.采用考虑系统约束条件的等微增率法进行求解,并在不同风火电配置比例、不同弃风率情况下对单位煤耗、系统输电通道利用率、单位发电成本和单位发电的氮氧化物排放量等指标进行计算分析.在此基础上深入讨论了氮氧化物排放价格对系统单位发电成本的影响,结果表明,当氮氧化物排放价格达到一定值时,风电机组与火电机组可平等参与日前发电调度,实现系统的经济性和环保性.     

基于尾流效应的低风速地区风电场布局优化方法

为了减少低风速地区风电场尾流效应对其发电能力的影响,提出一种通过改变风机塔筒高度以提高风电场收益的布局优化方法。首先分析了塔筒高度与风电场年发电量的关系,进而优化风电场主风向上机组塔筒高度,以使轮毂海拔高度呈渐进式增加,实现风电场年发电量提升的同时尾流损失下降的优化目标。最后,使用Wasp10.0风资源评估软件建立风电场模型,与未使用优化方法的风电场进行仿真对比。仿真结果表明,随着主风向上前后排机组轮毂海拔高度差值的不断增加,风电场年发电量不断增加,验证了所提方法的有效性。     

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。     

考虑风电接纳风险的鲁棒实时调度方法

高比例风电接入电网后,风电有功功率的不确定性给电力系统调度决策带来了新挑战,增加了系统运行经济性与风险性之间的矛盾。针对此问题,本文提出了一种考虑风电接纳风险的鲁棒实时调度方法,首先从运行风险性角度,基于风电出力概率特性,利用金融领域中的条件系统风险（Conditional System Risk, CSR）指标,表征风电接纳风险,然后从运行经济性角度考虑,考虑了实时调度中的发电量自动控制（Automatic Generation Control,AGC）机组运行和备用成本以及风电消纳效益,表征系统运行成本,最后依据风险性指标和经济性指标,综合利用鲁棒优化和随机优化方法,构建考虑风电接纳风险的鲁棒实时调度优化模型,获取AGC机组运行基点及备用容量、风电可接纳范围,从而实现在最大程度保证系统风险难以发生的同时,提高系统运行经济性,提高风电消纳水平。通过对IEEE30节点测试系统的计算和分析验证了本文所提方法的有效性。