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.     

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。     

基于统计分析和多支持向量机的风电功率坡度事件分类预测

为准确评估风电功率变化行为的影响,优化风电系统控制,提出了基于统计分析和多支持向量机的风电功率坡度事件分类预测方法.通过对风电功率坡度事件进行定义和分类,利用风电场的实际运行数据,对不同统计周期和不同方向的坡度事件幅度分布和时间段分布进行了统计分析,找到了功率坡度事件变化的内在规律.在此基础上,将二元支持向量机（Support Vector Machine,SVM) 拓展到多支持向量机 (Multiple Support Vector Machines,MSVMs),建立了对功率坡度事件类别的一步和多步预测.实验结果表明,所提方法具有较高的坡度事件预测精度和稳定性,可以对风电功率变化进行准确的风险预测,有利于风电系统的优化控制.     

基于孤立森林和标准差检测法的风电功率异常数据清洗

在风电功率预测中，风速到风电功率的转换是关键步骤，风功率曲线建模和机器学习等技术都需要高质量的风电功率数据，而风电机组实际运行过程中由于多种因素会导致风功率曲线中出现大量的异常数据.首先分析了河南省洛阳市虎头山风电场风电机组历史运行异常数据分布特征，提出了结合孤立森林（iForest）算法与标准差（σ）检测法的技术对异常数据进行识别，并对比了iForest-σ和σ-iForest两种次序组合方式在异常数据识别过程中的异常数据清洗时间、删除率、准确率.结果表明，iForest-σ和σ-iForest方法都能够有效识别异常数据，iForest-σ方法相对数据删除率低且精度高.上述方法清洗效果好，效率高且不依赖于正常数据进行非监督训练，同时适用于其他研究场景的异常数据清洗工作，具有较强的通用性.     

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.     

基于滑动窗双边CUSUM算法的风电爬坡事件检测方法

随着新能源并网进程的推进,风电装机规模逐年扩大。受区域内天气变化影响,风机出力的间歇性和波动性特征对电网的威胁亦越发显著。极端天气所引发的风电出力异常爬坡事件,易导致电网功率失衡,对电力系统机组调度、源荷平衡造成了极大压力。合理的风电爬坡事件检测以及精准的风电功率预测能为风电场运维及电力系统调度提供先验指导,有力缓解风电不确定性带来的危害。首先讨论了目前主流风电爬坡事件定义的盲点,分类并分析了3种风电爬坡场景的功率变化特性,据此提出基于滑动窗双边累计和(cumulative sum, CUSUM)算法的风电爬坡事件检测方法,提取时序耦合信息,捕捉短时间窗口内风电功率数据的异常波动,提高风电爬坡事件检测精度。其次,采用贝叶斯优化的长短期记忆(long short term memory, LSTM)神经网络,最优化模型超参数,提高模型对于爬坡事件发生时风机出力的预测性能。进一步应用所提风电爬坡事件检测方法,对模型预测区间内的风电爬坡事件进行检测实验,验证了所提方法的有效性。     

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。     

基于椭圆轨道模型的风电功率超短期预测

随着风电装机容量的持续增长,风力发电的间歇性和随机性对电网造成的不利影响越来越明显.因此,有效的风电功率预测是解决大规模风电并网的关键问题之一.文章提出一种椭圆轨道模型对风电功率进行超短期预测.首先,采用去趋势波动分析法对样本数据进行平滑处理,解决风电功率数据突变的问题;然后,应用椭圆轨道模型对风电功率进行超短期预测.采用湖南某风电厂实际运行的4组数据进行验证,实验结果表明:椭圆轨道模型的预测误差在可接受范围之内,为超短期风电功率预测提供了一种有效方法.     

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。     

一种考虑时空分布特性的区域风电功率预测方法

为了有效解决风电场数据丢失时直接相加法无法进行区域风电功率预测的问题,提出了一种考虑时空分布特性的区域风电功率预测方法.为降低模型的复杂性,根据风电场及风能信息对子区域进行具体分析.在此基础上,利用相关系数法,选择风电场出力与子区域出力间相关系数绝对值大的风场为基准风电场.以所选基准风电场预测功率为输入,利用神经网络方法,直接预测各子区域功率,整个区域预测结果为各子区域预测值之和.算例结果表明:利用相关系数法选择基准风电场无需大量历史数据支撑,原理简单易于实现;模型与风电场所采用的预测系统无关,易于工程推广应用;模型无需考虑非基准风电场功率预测情况,成本更低、效益更高;采用该模型后子区域预测误差比直接相加的方法降低了5％,整个区域预测误差仅为20.8％.     

基于梯度提升决策树的风电功率预测

针对风电功率预测问题进行研究,为了提高风电功率预测的精度,首先利用拉依达法则对原始数据进行预处理,以此来保证数据的完整性和准确性,其次利用梯度提升决第树算法构建时间预测模型,并对该模型进行计算和验证。根据本研究的日前预测问题,将其同常规BP神经网络算法相比较,结果显示所提出的基于GBDT的风电功率预测模型较BP神经网络在该问题上具有更优的预测性能。     

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。     

GA-WNN网络在风电功率预测中的应用研究

利用遗传算法的全局优化能力和小波神经网络的高精度特性,提出了一种基于遗传算法、小波与神经网络的风电功率预测方法,应用某风电场的58台风电机组的输出功率数据作为实例,验证了GAWNN模型的预测鲁棒性好,精度高,有效减小了预测误差.     

风电场功率曲线异常数据的清洗与建模

风电场风速功率数据中通常包含大量异常数据,难以反映风机的真实工作情况,影响风电功率预测的准确性,进而造成一定的经济损失.针对该问题,分析异常数据的特征,提出滑差-四分位异常数据剔除方法,并利用高次多项式和Logistic函数对剔除后的数据进行风速-功率曲线建模,最后用和方差、均方根误差和确定系数验证该方法的适用性和有效性.实例分析表明,该方法简单高效、通用性强,可显著提高风电机组功率特性分析的准确度.     

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.     

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...