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EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.     

基于Hermite组合核EMD-WT-LSSVM的非平稳非高斯风压预测

运用经验模态分解(EMD)将某大跨度膜结构测点非平稳风压分解为一系列相对平稳的固有模态函数和一个剩余分量.为消除实测风压中噪声对固有模态函数的影响,使用小波变换对每个固有模态函数进行去噪,将去噪后的固有模态函数及剩余分量作为样本输入.分别将径向基核函数、Hermite核函数及Hermite组合核与最小二乘支持向量机结合(LSSVM),运用粒子群算法(PSO)对3种算法的正则化参数及核参数进行智能寻优,建立基于径向基核函数、Hermite核函数及Hermite组合核的PSO-LSSVM风压预测算法,并基于超高层建筑实测风压验证了组合模型的鲁棒性.单点预测结果表明,基于Hermite组合核的PSO-LSSVM的预测算法较其余两种算法具有更高预测精度及泛化能力;空间点预测结果进一步证明了该方法对于非平稳非高斯风压预测的有效性.     

基于集合经验模态分解和随机森林的短时交通流预测

针对短时交通流数据具有非线性、不确定性等特点,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和随机森林(random forest,RF)的组合预测模型。首先,利用EEMD算法将原始交通流数据的区间平均速度序列分解为若干个本征模函数（intrinsic mode function,IMF）和一个残差分量（residual,RES),提取出交通流数据在不同时频的信息;接着,将第一个分量进行二次EEMD分解,细化交通流的随机信息;然后,将分解得到的各个分量分别使用RF进行预测,构建子模型;最后,将所有子模型的预测值线性求和,得到最终的预测结果。采用阿拉尔市某路段的实际交通流数据进行实验,结果表明,EEMD和RF的组合预测模型优于单一的RF模型,并且对IMF1进行二次EEMD分解可进一步提高组合预测模型的准确率。     

基于改进小波包算法的风电功率短期预测

风电功率预测对于风电场制定电力调度计划和维修计划具有十分重要的意义,利用改进小波包处理混频信息的能力,将风电功率分解成多个频率的子序列;再利用遗传神经网络组合模型分别对各子序列进行预测,且利用改进小波包对各子序列预测结果进行了重构得到实际的预测值;最后以安徽省某地区风电场风功率数据为依据验证模型,由仿真结果分析可见组合算法取得了良好的预测效果。     

基于双参数最小二乘支持向量机(TPA-LSSVM)的风电时间序列预测模型的优化研究

风电时间序列预测模型的优劣直接影响风功率的应用价值,最小二乘支持向量机（least squares support vector machine,LSSVM）在处理风电预测问题上具有明显优势。提出了一种双参数算法（two-parameter algorithm,TPA）,从理论上证明了任意初始值均可线性收敛到全局最优值。调用TPA算法对LSSVM模型的惩罚因子和径向基宽度进行寻优赋值,并将训练好的TPA-LSSVM模型应用于风电预测中。仿真结果表明,与LSSVM模型、粒子群最小二乘支持向量机（PSO-LSSVM）模型、径向基函数神经网络（RBFNN）模型相比,TPA算法可以更好地实现LSSVM的参数寻优,TPA-LSSVM模型能有效提高预测精度。     

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.     

基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测

滑坡是一种严重威胁危害居民生命财产安全的自然灾害,滑坡位移预测有助于预测滑坡等自然灾害.滑坡体监测数据的处理和预测模型的建立是滑坡位移预测的基础.针对当前时间序列分析中应用广泛的EMD、EEMD分解算法的缺陷,将具有严格数学理论支撑且分解个数可控的变分模态分解算法应用于位移时间序列分解,以获得滑坡位移子序列.将自适应变异粒子群优化算法(AMPSO)和支持向量机(SVM)相结合,构建AMPSO-SVM位移预测耦合模型.运用耦合模型对分解所得位移子序列分别进行预测,然后重构子序列预测结果得到总位移预测值.以三峡库区白水河滑坡XD1监测点为例,针对2007～2012年监测数据,设置不同情景以验证所提出预测模型的有效性及稳定性.实例分析表明,基于变分模态分解和AMPSO-SVM耦合模型对于滑坡位移的预测性能优于BP神经网络预测模型和网格搜索优化的SVM模型,在滑坡位移预测中有良好的理论基础及工程应用价值.     

基于深度时间卷积神经网络的风电功率预测

为了提高风力发电预测的准确性,依据某近海地区风电场出力数据,提出基于深度时间卷积网络的风电功率组合预测模型;利用自适应集成经验模态分解对风电功率序列进行特征提取,得到若干本征模态分量,通过排列熵相关理论计算各模态分量的复杂度,根据复杂度进行序列重构,并输入至改进余弦退火算法优化的深度时间卷积网络中进行风电功率分析与预测...     

基于改进径向基函数神经网络的交通出行选择策略分析

利用逻辑回归方法分析影响交通出行选择的各种因素;建立基于径向基函数神经网络的交通出行选择预测模型,同时建立基于线性回归-径向基函数神经网络模型和基于逻辑回归-径向基函数神经网络模型预测人们出行方式选择高铁还是火车.结果表明,与单一径向基函数神经网络算法相比,回归-径向基函数神经网络组合算法预测准确率更高,而逻辑回归-径...     

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VMD和IBA-LSSVM的短期风电功率预测

为了提高风电功率预测精度,提出了一种基于变分模态分解(VMD)和改进的最小二乘支持向量机(LSSVM)的短期风力发电功率预测新模型。利用VMD将功率历史数据分解成趋势分量、细节分量和随机分量以降低原始数据的复杂性和不平稳性,然后建立IBA-LSSVM预测模型,利用改进蝙蝠算法(IBA)对最小二乘向量机的参数进行优化,并分别对各个子模态进行预测,叠加子模态的预测结果以得到最终的发电功率预测值。对宁夏某风电厂功率预测结果证明了该模型的有效性,通过不同预测模型的对比验证了模型具有较高的预测精度。     

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。     

基于CQPSO算法的含风电场电力系统经济调度研究

为了克服风电场出力波动的不利影响,提高调度经济性,构建含常规火力发电燃料费用、风电预测误差备用费用以及风电弃风成本的多目标动态调度模型,并提出一种混沌量子粒子群算法对模型进行求解。标准测试函数的仿真结果表明本算法比对照算法具有较高的收敛精度和稳定性。对含风电场的IEEE30节点系统算例进行仿真实验,结果表明采用混沌量子粒子群算法对调度模型求解的调度费用最低。