基于支持向量机的短期风速预测研究

目的 为了减少风电场风速预测的误差,研究基于支持向量机(SVM)模型的短期风速预测.方法 采用SVM回归估计算法建立预测模型.结果 将该方法应用于实测数据进行预测,结果表明预测误差确实得到了降低.结论 和传统回归方法(如ARMA)比较说明所建模型是可行和有效的.     

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.     

风力发电机组出力组合区间预测算法

论述风电机组出力的准确预测对含大规模风电场电力系统的经济、安全运行具有重要意义,提出基于模糊信息粒化-最小二乘支持向量机和混沌时间序列的出力组合区间预测方法.首先用最大-最小贴进度的方法建立风速组合区间预测模型,然后在风速区间预测的基础上,通过风速与出力之间的关系-功率曲线,得到风电机组出力在未来时刻的变化区间.对提出的预测模型,使用甘肃酒泉某风电场和美国Wisconsin州Butler ridge风电场的现场实测数据进行测试验证,结果表明通过该预测模型得到的风电机组出力变化区间具有较高的精度和置信水平.     

考虑风电场并网的电力系统短期多目标经济调度

风力发电的优势使得风电装机容量在电力系统中不断增加,但风速的随机性和间歇性使大规模风电并网后会对电网的安全性造成影响,这对传统的电力系统经济调度问题提出新的要求.在风速和风功率预测的基础上,将风电场运行时的总费用函数纳入到短期经济调度模型中,并对风电功率进行修正.同时考虑到风电功率的波动对电网安全性和调度策略的影响,在模型中加入风电场功率调整量函数,从而建立考虑风电场的电力系统短期经济调度多目标优化模型.采用向量评价遗传算法(VEGA)对一典型算例进行优化求解,确定合理的经济调度方案,验证该模型的可行性和有效性.     

基于小波神经网络的风速预测及置信区间估计

小波神经网络是在小波变换理论和人工神经网络的基础上建立的一种新型网络模型,综合了两者的优点,克服了BP神经网络易陷入局部极小点和训练速度慢的缺点.本文建立了小波神经网络模型,采用最陡梯度下降法训练网络,将该网络用于对风电场小时风速的预测,并对预测置信区间进行计算.预测结果表明小波神经网络在训练速度和预测精度方面均优于BP神经网络.     

基于CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型，实现了黄土高原陇东区风电场月平均风速的准确预测.首先，采用CEEMDAN算法对收集到的风速时间序列进行去噪，以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷；其次，采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化，以克服SVM参数选择敏感的缺陷；最后，用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测，预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.     

一种风速预测方法的探讨

风速预测对提高电网的稳定性及降低运行成本具有重要意义,但风速具有较大的波动性,导致预测精度不高．针对这种情况,利用灰色系统理论GM（1,1）模型的基本原理,依据某风电场实测数据,建立了风速预测的物理模型,对该风电场的风速进行了提前一小时预测．实验表明,其预测平均绝对百分比误差为13％,这说明基于灰色理论的风速预测模型是有效的,     

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(long short-term memory)和XGboost (extreme gradient boosting)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4种单一预测模型,组合模型具有更高的预测精度。     

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,提出了基于卷积神经网络(convolutional neural networks, CNN)-长短期记忆网络(long short-term memory, LSTM)和梯度提升学习(light gradient boosting machine, 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,采用张北曹碾沟风电场的风电数据集,以未来4 h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3种单一模型,组合模型具有更高的预测精度。     

基于关联规则及BP神经网络的风电场输出功率预测

针对风电场输出功率预测受气象因素不确定性和异常历史数据的影响而出现的预测结果精度不高的问题,提出基于关联规则及BP(back propagation)神经网络的风电场输出功率预测方法.对异常和缺失数据进行处理,采用改进K-means聚类算法对温度/风速气象数据进行聚类分析,使用Apriori算法挖掘风电场输出功率与气象因素间的关联规则,将关联规则应用于BP神经网络.将4种方法的预测误差进行对比,结果表明:相对其他3种方法,该文方法的最大相对误差、最小相对误差、平均相对误差均最小;其最大相对误差不超过5.78%,最小相对误差仅为0.01%.因此,该文方法能提高风电场输出功率预测的准确度,具有有效性.     

基于区域信息融合的风电场平均年发电量预测

备选风电场在寿命周期内的平均年发电量是风电场宏观选址的一个重要参考判据.为了提高风电场平均年发电量的预测精度,提出了一种基于风电场附近多个气象站长期测风数据的区域信息融合的平均年发电量预测方法.首先分别建立各气象站与风电场同期小时风速之间的相关模型,应用相关模型得到多个长期小时风速预测值,再用神经网络对长期小时风速预测值进行融合处理得出最终的小时风速预测值,在此基础上进行风电场平均年发电量的估算.仿真结果表明:本文提出的区域信息融合方法对年平均发电量的预测误差比采用单一气象站数据的预测误差最高可降低11.32%.     

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...     

基于时序长记忆模型的风电场短期功率预测

随着风电的飞速发展,风电场接入电网的规模日益扩大,随之而来的是对风电功率预测准确性要求的提高,准确的风电功率预测可以更好地利用风能资源,减小风电并网对电网的不利影响。为了提高风电预测的精度,采用最大期望算法(expectation maximization algorithm,EM算法)对风电场功率历史数据进行处理,填补缺失值,替换错误数据,然后采用修正重标极差分析法即修正R/S分析方法分析数据的长记忆性,采用时间序列ARFIMA模型,然后根据预测时刻之前的功率数据,通过贝叶斯统计推断对模型参数进行估计,生成预测模型方程,进而对风电场输出功率进行预测。     

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。     

风电场风速时间序列的复杂动力学特性分析

利用混沌理论对风电场风速数据进行了相空间重构,首先由C-C方法计算出嵌入维数和延迟时间,然后采用G-P算法计算出吸引子关联维数,最后用小数据量改进算法得出风速时间序列的最大Lyapunov指数,由计算结果发现风电场风速时间序列具有混沌特性,为利用混沌预测方法进一步提高风速预测精度提供参考.     

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mcODM-STA的风电机组变桨系统故障诊断

针对风力发电机组变桨系统故障诊断模型参数难以优化问题,提出了基于状态转移算法优化多类最优间隔分布机(multi-class Optimal Margin Distribution Machine optimized by the State Transition Algorithm,mcODM-STA)的风电机组变桨系统故障诊断方法.该方法选择风电机组功率输出作为主要状态参数,利用Pearson相关系数对风电数据采集与监视控制系统中风电机组历史运行数据进行相关性分析,剔除与功率输出状态参数相关性较低的特征,对余下特征进行二次分析,减少样本特征.将数据集分为训练集和测试集,训练集用来训练所提故障诊断模型,测试集用来进行测试.利用国内风电场实际运行数据进行实验验证.实验结果表明,与其他多种参数优化方法相比,所提方法故障诊断准确率和Kappa系数更高.     

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.     

基于极限学习机的脉动风速快速预测方法

提出基于极限学习机(ELM)的脉动风速预测新模型.运用自回归滑动平均模型生成脉动风速数据库,并将其分为训练集和测试集.采用ELM对训练集进行学习训练,建立回归模型,从而实现对测试集风速的泛化预测.经与基于粒子群优化(PSO)的混合核函数最小二乘支持向量(PSO-MK-LSSVM)和误差反传神经网络(PSO-BP)对比,验证了ELM模型的有效性.数值结果表明,与PSO-MK-LSSVM和PSO-BP相比,无论在预测精度还是计算速度上,ELM模型都具有显著的优势.