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.     

基于神经网络的风电场超短期风速数值预报的动态修订

 针对风电场风功率预测所需的离地70m、0~4h的超短期风速预报,本文利用中央气象台发布的MM5格点输出的数值预报风速及测风塔实时发回的气象资料,探讨了利用神经网络将前期误差观测值和测风塔湍流指标等因子对MM5数值预报风速进行动态修订的方法,建立动态修订超短期预报模型,为满足风电场超短期风功率预报的工程应用提供一定的参考。结果表明,修订后的预报风速平均绝对误差等指标大幅降低,有效地提高了预报精度。     

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CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型，实现了黄土高原陇东区风电场月平均风速的准确预测.首先，采用CEEMDAN算法对收集到的风速时间序列进行去噪，以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷；其次，采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化，以克服SVM参数选择敏感的缺陷；最后，用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测，预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.     

风力发电机组出力组合区间预测算法

论述风电机组出力的准确预测对含大规模风电场电力系统的经济、安全运行具有重要意义,提出基于模糊信息粒化-最小二乘支持向量机和混沌时间序列的出力组合区间预测方法.首先用最大-最小贴进度的方法建立风速组合区间预测模型,然后在风速区间预测的基础上,通过风速与出力之间的关系-功率曲线,得到风电机组出力在未来时刻的变化区间.对提出的预测模型,使用甘肃酒泉某风电场和美国Wisconsin州Butler ridge风电场的现场实测数据进行测试验证,结果表明通过该预测模型得到的风电机组出力变化区间具有较高的精度和置信水平.     

基于时间序列法的短期风速建模

短期风速预测是风电场监控系统中的重要一环。因风速序列本身已经具有时序性和自相关性,基于时间序列分析法建立了风电场风速短期预测模型,并结合实例阐述了时间序列法在这一领域的适用性,分析结果表明,所建模型具有一定的实用价值。     

基于空间相关性和小波-神经网络的短期风电功率预测模型

为准确预测风电功率,该文提出1种预测模型。利用风速空间相关性把握风速时间序列的变化规律。将小波基函数植入神经网络的神经元节点中作为传递函数,对风电功率进行预测。对2相邻风电场短期风电功率预测算例进行仿真与对比分析。结果表明基于空间相关性和小波-神经网络(SC-WNN)的预测模型与逆传播神经网络(BPNN)和小波-神经网络(WNN)预测模型相比,平均百分比误差最大降低了0.164 3。     

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.     

基于诱导有序加权平均算法的风电场短期功率的预测

为了提高风电场发电功率的预测精度,提出一种基于诱导有序加权平均(induced ordered weighted averaging,IOWA)算法的风电场功率组合预测模型;该方法通过误差信息矩阵法筛选出优选模型进行组合,消除了冗余模型对预测精度的影响;结合华北某风电场历史功率数据及该地区的数值天气预报数据建立了风电场短期功率预测模型,以误差平方和最小值为准则,对未来48 h的风电场发电功率进行预测。结果表明:经优选后的组合预测模型降低了预测误差,提高了预测精度,缩短了预测时间。     

基于粗糙集和RBF神经网络的风电场短期风速预测模型

结合粗糙集提出了一种RBF神经网络短期风速预测模型。采用粗糙集对预测模型的输入特征空间进行约简,找出对未来预测的风速具有主要影响的因素,以此作为RBF神经网络预测模型的输入变量;在RBF神经网络训练的过程中,采用在线滚动优化策略,将最新的样本加入训练集,从而使预测模型能够跟踪风速的最新变化。将提出的方法用于某风电场的1 h短期风速预测,仿真实验结果表明该方法具有结构简单、预测精度高的优点。     

基于时频熵和神经网络的光伏发电功率预测模型

针对光伏电站并网后发电功率波动较大影响电网合理调度及平稳运行的问题,提出一种基于EEMDHilbert变换及时频熵的神经网络光伏发电功率预测方法。将电站光伏发电功率历史值按晴天、雨天及多云天分类并分别用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法分解成若干频率由高到低的内禀模态分量,经游程检测法重构成高频和中频分量,再由Hilbert变换得到高频和中频分量各数据点的频率与幅值,构造信号的能量谱图,提取含有时频信息的特征参数时频熵,将其与EEMD分解后得到的中频或高频分量以及温度、光照强度、风速、相对湿度等气象参数作为BP(back propagation)神经网络的输入,构建预测模型对不同天气条件下短期和超短期光伏发电功率进行预测。研究结果表明:此方法预测精度较高,发电功率预测误差基本上小于仅用气象数据直接预测的误差;晴天、雨天和多云天的短期光伏发电功率预测准确率分别为0.995,0.944和0.931,超短期预测准确率分别为0.996,0.984和0.991。     

基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

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。     

基于集合经验模态分解和改进布谷鸟算法优化BPNN的混合风速预测

风速预测在风电场的运行中扮演着重要的角色,但由于风速时间序列在统计上呈现出高维、非线性、多重周期性的复杂特征,风速被研究者认为是最难模拟和预测的气象参数之一.该文分别采取集合经验模式分解(EEMD)和离散小波去噪(DWT)对风速数据进行降噪,利用改进布谷鸟(MCS)算法优化BP神经网络(BPNN)中的权值和阈值,从而构建基于数据预处理和模型参数优化的混合风速预测模型并用来预测中国环县风电场2017年日平均风速.数值模拟结果表明EEMD-MCS-BPNN模型预测精度比混合模型EEMD-BPNN,DWT-MCS-BPNN,DWT-BPNN,MCS-BPNN和单个BPNN模型的预测精度高.     

基于互信息理论与递归神经网络的短期风速预测模型

风速的波动性和随机性为风电并网造成安全隐患,提高风速预测精度对于风电系统的稳定和风能发展十分重要.提出一种基于互信息(MI)理论和递归神经网络(RNN)的短期风速预测组合新模型(MI-RNN).该模型利用MI理论选择最优的历史风速序列长度(τ),通过每τ步预测下一时间点风速的方式,将历史风速数据输入RNN中进行模型训练,并由训练后的RNN模型输出最终的风速预测结果.将MI-RNN模型应用于风电场的风速数据集中,与传统机器学习风速预测模型进行比较,以验证模型的预测精度.结果显示,MI-RNN模型的预测精度更高,预测稳定性更强,并且能够准确预测未来风向,有望应用于含空间维度的风电场的风速预测.     

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.     

考虑风电场并网的电力系统短期多目标经济调度

风力发电的优势使得风电装机容量在电力系统中不断增加,但风速的随机性和间歇性使大规模风电并网后会对电网的安全性造成影响,这对传统的电力系统经济调度问题提出新的要求.在风速和风功率预测的基础上,将风电场运行时的总费用函数纳入到短期经济调度模型中,并对风电功率进行修正.同时考虑到风电功率的波动对电网安全性和调度策略的影响,在模型中加入风电场功率调整量函数,从而建立考虑风电场的电力系统短期经济调度多目标优化模型.采用向量评价遗传算法(VEGA)对一典型算例进行优化求解,确定合理的经济调度方案,验证该模型的可行性和有效性.