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。     

基于灰狼优化SVR的风电场功率超短期预测

提高风电场功率超短期预测的稳定度、精度和速度,是风电并网的关键技术之一.分析了风电场气压、温度、湿度等气象因素和风速对风机输出功率的影响,用风电场的气象数据和风速构建风电场物理模型,提出了一种用灰狼算法优化SVR参数C、g的风电场功率超短期预测模型,通过与GA-SVR、PSO-SVR预测模型比较,结果表明,该预测模型稳定性好、预测精度高、预测时间短.     

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。     

基于风速数值预报的两种风电功率预测方法

针对风电场风功率预测,根据2011年11-12月的北方某大型风电场132台风机的实测风速资料与输出功率资料,以及BJ-RUC数值预报模式在该风电场风机高度(50 m)的预报风速资料,探讨了2种利用神经网络将风速数值预报转化为风功率预测值的途径:1)利用神经网络对风速数值预报进行预测后延误差动态订正,以订正后的风速预测风功率;2)用风速的数值预报值直接与风功率输出建立神经网络模型的释用方法。根据该风电场的实测资料和BJ-RUC模式输出资料,对0-4 h的风功率预报进行了试验,结果表明2种方法相较直接使用BJ-RUC模式风速得到的风功率预报效果有明显改进,第1种方法,风速的绝对误差下降了48.7%,风功率的平均绝对误差下降了58.2%,第2种方法,风功率的平均绝对误差下降了60.4%。     

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。     

超高效液相-质谱联用法同时测定诃子果实不同部位的6种成分含量

主要介绍基于趋势分析的内蒙古电网风电功率超短期预测系统的设计与应用情况.本系统采用物理方法与统计方法相结合,基于数值天气预报数据的趋势分析,单个风电场基于历史数据、实时数据与未来的气象预报数据进行学习与预测,区域预测考虑整个区域空间分布的所有实时测风资料,进行空间相关分析.研究结果表明,该系统预测精度高,完全满足内蒙古电网调度要求.     

基于趋势分析的风电功率超短期预测系统研究

主要介绍了基于趋势分析的内蒙古电网风电功率超短期预测系统的研究与应用情况.这一系统将物理方法与统计方法相结合,单个风电场基于历史数据、实时数据与未来的气象预报数据进行学习与预测,区域预测考虑整个区域空间分布的所有实时测风资料,进行空间相关分析.研究结果表明,该系统预测精度高,完全满足电网调度要求.     

基于GWO-CNN-BILSTM的超短期风电预测

在未来高渗透率风电场景下，超短期风电功率预测研究对于实现电力系统优化运行具有重要意义。为此，提出一种基于GWO-CNN-BILSTM的超短期风电预测方法。首先，搭建基于卷积神经网络（convolutional neural network，CNN）与双向长短期记忆神经网络（bidirectional long short term memory，BILSTM）的组合模型，然后，为提升风电预测结果的精度，通过灰狼优化算法（grey wolf optimizer，GWO）对组合模型进行优化，使该组合模型参数能实时适应风电历史数据。最后，仿真结果验证了所提出方法的有效性和优越性。     

基于数据驱动模式的波浪能装置短期发电功率预测方法

 分析了随着波浪能发电技术的逐步成熟带来的功率预测技术现状，阐述了功率预测对规模化利用波浪能的现实需求，研究了不同模型的预测机理和特性，并在传统物理模型技术上提出了基于深度学习的数据驱动模型。基于长短时记忆网络的深度模型能够对波浪发电装置的短期功率开展预测，并通过与支持向量机、神经网络等模型的比较，证明了长短时记忆网络模型预测方法能够获得更优的短期预测结果。     

一种参数自调整风电功率预测模型

为了提高风电功率预测精度,提出一种参数自调整风电功率预测模型.通过加权递推最小二乘(SWWRLS)方法建立预测模型,侧重当前数据对预测结果的影响,排除了历史数据对预测结果的干扰.模型通过加权递推的方法节省了存储空间,并且提高了模型对外界环境数据变化的自适应性.最后,分别采用支持向量机(SVM)方法、卡尔曼滤波(KF)方法和本文SWWRLS方法,以辽宁省某风电场的真实历史数据进行风电功率预测对比实验,实验结果表明,本文方法建立的模型具有较高的预测精度.     

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。     

基于粒子群优化的LS-SVM短期风电功率预测研究

风电的波动性、间歇性和随机性导致风电功率预测时间较长、误差较大;为提高预测精度,缩短预测时间,采用粒子群算法(PSO)对最小二乘支持向量机(LS-SVM)算法进行参数寻优,进而建立优化预测模型进行仿真;结果表明:优化的模型比RBF和LS-SVM具有更高的预测精度.     

基于花朵授粉算法的组合式风速预测

针对风速的波动性导致风电功率不稳定,严重影响电力系统的安全、稳定运行等问题,提出一种基于风速数据分解的组合式模型,该模型首先利用集合经验模态分解法将风速序列分解为频率不同的若干个分量,降低了风速序列的非平稳性。然后利用花朵授粉算法优化BP(back propagation)神经网络构建预测模型,预测各个分量的变化趋势。最后将各个分量的预测值进行叠加组合得出最终的风速预测值。仿真结果表明,所提出的组合式模型平均绝对误差控制在0.2 m·s~(-1)以内,在风速预测方面有较高的预测精度,具有广阔的实际应用前景。     

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

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。