基于动态集成LSSVR的超短期风电功率预测

针对最小二乘支持向量回归(Least Square Support Vector Regression,LSSVR)建模风电功率时变特性的局限性,提出了一种基于动态集成LSSVR的超短期风电功率预测模型.首先利用风电场监测控制与数据采集(Supervisory Control And Data Acquisition,SCADA)与数值天气预报(Numerical Weather Prediction,NWP)系统的历史数据建立离线单体LSSVR模型库,然后根据预测时段与训练时段NWP序列的相似度从单体LSSVR模型库中动态选择候选集成成员,再后综合考虑正确性与多样性确定集成成员.最后由预测时段与训练时段NWP序列间的相似度分配集成LSSVR成员的权重.通过对湖南省某风电场输出功率进行预测,验证了动态集成LSSVR预测模型的有效性,与持续法、自回归求和移动平均法、单体LSSVR模型、常权重LSSVR组合模型及BPNN动态集成模型相比,动态集成LSSVR模型具有更高的精度,在天气非平稳变化阶段更加明显.     

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...     

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。     

采用特征优选和优化深层核极限学习机的短期风电功率预测

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题，提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测。利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集，既能表达风电功率的有效信息，也能避免冗余信息的出现，有利于DHKELM模型的学习与训练，同时也降低了模型的复杂度。针对DHKELM超参数难确定的问题，利用改进的野犬优化算法(IDOA)对DHKELM的8个超参数进行寻优，可以发掘原始序列特征信息，从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系。以国外某风电场真实数据为算例，结果表明：提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MAPE)分别降低了0.979 3%、2.342 1%、3.383 2%,有效提高了风电功率的预测精度。     

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...     

风电时序动态修正的实时调度计划研究

针对风电功率预测偏差影响电力系统发电计划准确性的问题,提出了一种超短期内风电时序动态修正的实时调度模型.该模型采用马尔科夫链时序预测方法,以5~15min为周期动态修正风电超短期预测功率的时间序列,并以煤耗增量最小和弃风最小为双重优化目标,同步修正风电场及常规机组的发电计划,最后将模型转化为凸二次规划及其拉格朗日对偶问题,并基于原-对偶内点法构建求解算法.通过对含风电场的10机组系统的仿真分析表明:所提模型在日内调度过程中进一步优化了系统的运行成本,同时提高了系统跟踪风电功率波动和消纳风电的能力,所采用的求解算法收敛迅速、鲁棒性强,可适应于实时调度的计算需要.     

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.     

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。     

An optimized short-term wind power interval prediction method considering NWP accuracy

In recent years, the accuracy of the wind power prediction has been urgently studied and improved to satisfy the requirements of power system operation. In this paper, the relevance vector machine(RVM)-based models are established to predict the wind power and its interval for a given confidence level. An NWP improvement module is presented considering the characteristic of NWP error. Moreover, two parameter optimization algorithms are applied to further improve the prediction model and to compare each performance. To take three wind farms in China as examples, the performance of two RVM-based models optimized, respectively, by genetic algorithm(GA)and particle swarm optimization(PSO) are compared with predictions based on a genetic algorithm–artificial neural network(GA–ANN) and support vector machine. Results show that the proposed models have better prediction accuracy with GA–RVM model and more efficient calculation with PSO–RVM.     

基于近邻成分分析的短期风电功率集成预测

针对短期风电功率预测关键气象因素影响程度的差异和单一模型预测精度不足的问题,提出一种基于近邻成分分析(neighborhood components analysis, NCA)特征加权和Stacking集成预测的短期风电功率预测模型。考虑气象特征对风电功率影响程度不同,利用NCA对气象特征进行加权,将加权特征作为模型输入,强化关键特征的影响程度;在此基础上,构建多个基预测器预测风电功率,并利用结合器将预测结果融合,建立Stacking集成预测模型。算例分析表明,以加权特征作为输入的Stacking集成预测模型具有更高的短期风电功率预测精度。     

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。     

基于天牛须搜索算法的短期风电功率组合预测

为了提高风电功率预测精度,提出了一种完全集成经验模态分解(complete ensemble empirical mode decomposition adaptive noise, CEEMDAN)、极限学习机(extreme learning machine, ELM)和改进天牛须搜索算法(improved beetle antennae search algorithm, IBAS)的组合预测模型来预测风电功率。引入动态惯性权重改进天牛的位置更新方式,提高天牛须搜索算法的寻优能力。在预测过程中,首先通过CEEMDAN对原始风电功率数据进行预处理,将非平稳信号分解为一组按照频率和振幅大小排列的序列分量,减少数据波动带来的预测误差。然后利用IBAS优化ELM构建预测模型,分别预测每个序列分量,最后叠加每个序列分量的预测值得到最终预测值。仿真结果表明,与其他预测模型相比,本预测模型预测精度最高,评价指标平均绝对误差(mean absolute error, MAE)、均方根误差(root mean square error, RMSE)、平均绝对百分比误差(mean absolute ...     

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EEMD-IGSA-LSSVM的超短期风电功率预测

为了提高风电场输出功率的预测精度,在保证安全操作的前提下,建立了一种基于集合经验模态分解(EEMD)、改进引力搜索算法(IGSA)、最小二乘支持向量机(LSSVM)相结合的风电功率组合预测模型.首先运用EEMD算法将风电功率时间序列分解成一系列复杂度差异明显的子序列;其次利用相空间重构(PSR)对已分解好的子序列进行重构,对重构后的每个子序列分别建立IGSA-LSSVM预测模型,为分析不同核函数构造LSSVM的差异性,建立了8种核函数LSSVM预测模型,利用IGSA算法求解其模型;最后以中国内蒙古地区的某一风电场为算例,仿真及验算结果表明,利用IGSA算法寻优得到的指数径向基核函数核参数和惩罚因子构建的LSSVM模型具有较高的预测准确性;与EEMDWNN,EEMD-PSO-LSSVM等5种常规组合模型相比,所提出的指数径向基核函数的EEMD-IGSA-LSSVM组合模型能有效、准确地进行风电功率预测.     

基于无迹卡尔曼滤波的LSSVR在线多步时间序列预测

准确宽范围多步预测在时间序列预测应用中带来了巨大挑战.提出了一种基于最小二乘支持向量回归(LSSVR)和无迹卡尔曼滤波(UKF)的在线多步预测方法,利用时间滑动窗口减小算法的计算负荷,UKF方法实现LSSVR模型参数更新以提高预测精度.当预测范围达到预定步长p时,由核宽度σ、支持值参数{α_k}_k~L_(=1)以及偏移项b所构成的模型参数通过新的测量值和UKF进行在线更新.提出的方法不仅以较少的训练数据建立在线预测模型(所需训练数据集大小为相空间维数与滑动窗口长度之和),且多步预测值的精度相比于传统方法得到进一步提高.最后,通过几个实验研究论证了提出方法的有效性和优越性.