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。     

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.     

基于模糊聚类分析的风电功率预测研究

提高短期风电功率预测精度是风电大规模发展的迫切要求,同时也是保障风电并网运行的关键。笔者在不增加模型复杂度的前提下,提出了聚类建模方法。该方法首先采用减法聚类与模糊C均值聚类(FCM)方法相结合对训练样本进行处理,然后建立不同聚类集下对应的预测模型库,最后将预测数据与聚类后的样本数据进行匹配,选择合理的模型进行预测。采用山西某风电场实际数据进行大量仿真,并将预测结果与单一模型结果对比,结果表明,该方法可以减少大的预测误差点数,有效提高风电功率预测精度。     

基于熵权组合模型的风电功率预测

利用灰色预测法、人工神经网络法、ARMA时间序列法3种不同的预测模型对某风电场的风电功率进行了预测研究。计算结果表明,利用单一预测模型进行预测的精度有待提高。提出建立组合预测模型对风电功率进行预测,为了充分利用单一预测方法的优势,引入熵值理论。利用熵值法确定组合预测模型中的权重,进而建立熵权组合预测模型。模拟结果表明,熵权组合预测模型可以有效地提高风电功率的预测精度。     

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。     

基于游程判别法和VMD残差修正的风电功率预测

为了提高风电功率预测准确性,提出一种基于频率游程判别法和变分模态分解（VMD）残差修正的风电功率超短期预测模型.采用变分模态分解将原始风电功率序列分解,得到一系列不同中心频率的子序列,再利用序列之差提取残差序列,残差序列继承原始序列噪声分量与分解被屏蔽的真实分量,呈现波动性大,非线性复杂和不平稳的特点,采用t-SSAL...     

一种基于lightGBM框架改进的GBDT风力发电机叶片开裂预测方法

风力发电机叶片开裂直接影响风力发电机运行,采用梯度提升决策树算法与基于lightGBM框架改进的梯度提升决策树算法对风力发电机叶片开裂进行预测。对比分析了预测准确度与可行性。基于lightGBM改进的梯度提升决策树算法分析的风力发电机运行数据得出的预测结果优于梯度提升决策树算法,且对于风力发电机叶片开裂预测准确度较高,并具有实用价值。同时该算法能够大幅降低样本中的无效数据,减少计算量。其独立特征合并能够使得划分点特征数量降低,提高风力发电机叶片开裂预测的准确性。最后,风力发电机叶片开裂预测实验结果表明,基于lightGBM改进的梯度提升决策树算法取得了更好的预测结果,计算量更小且能够准确预测风力发电机叶片开裂故障。     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

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 beetl...     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。