CGAQPSO优化LSSVM短期风电预测

提出一种基于混沌高斯局部吸引点量子粒子群(CGAQPSO)优化最小二乘支持向量机(LSSVM)的短期风电功率预测模型。首先,混沌算法初始化粒子种群,提高初始粒子在搜寻空间遍历性,将局部吸引点改进为高斯分布局部吸引点,增强粒子全局搜索能力,从而得到混沌高斯局部吸引点量子粒子群优化算法。对基于不同类型核函数(Linear、POLY、Sigmoid及RBF)进行比较,选择RBF核函数来构建LSSVM风电预测模型。最后,以安徽某风电场实测风电、温度及湿度的历史数据作为CGAQPSO-LSSVM(RBF)模型的训练数据。实验表明,与GA、PSO和QPSO优化LSSVM预测模型相比,所提出的CGAQPSO-LSSVM模型能够有效提高风电功率预测精确度。

基于超短期风电预测功率的储能系统跟踪风电计划出力控制方法

为最大程度地提高风电跟踪计划出力能力,基于超短期风电预测功率建立了包含5个控制系数的储能系统充放电控制策略,并提出了利用粒子群优化算法实时优化储能系统充放电控制系数的方法,以减少日前短期风电预测误差。以典型风电场出力为例进行仿真分析,对固定系数方法及滚动优化系数方法进行了比较,并分析了影响预测精度的因素,结果验证了所提方法的可行性。

基于数据挖掘技术的短期风电预测

本文提出一个基于数据挖掘技术的短期风电预测方法,它能够预测十五分钟内的风电功率。研究的重点是用多变量时间序列模型ARIMA、集中延时神经网络(FTDNN)和风力涡轮机的现象学模型来预测风电场发出的电力。通过对风电场实测数据进行仿真模拟,提出新的数据预处理方法,从而提高预测精度。

基于CBAM-LSTM的风电集群功率短期预测方法

风电功率的精准预测对我国实现“碳达峰”、“碳中和”的目标具有重要意义。传统的风电功率预测方法往往忽视了时间序列数据中的长期依赖关系和空间相关性,导致预测结果不准确。为了解决这个问题,文中提出了了卷积块注意力机制(Convolutional Block Attention Module, CBAM)和长短时记忆网络(Long Short-Term Memory, LSTM)相结合的模型。首先,使用CBAM对风电功率时间序列数据特征和数值天气预报中蕴含的空间特性进行提取,该模块能够自适应地学习时间和空间上的重要特征;然后,将提取的特征输入到LSTM层结构中进行功率预测。为了验证所提方法的有效性,使用中国吉林省某风电场的数据集进行验证,实验结果表明,与其他功率预测方法相比,文中所提方法平均绝对误差(Mean Absolute Error, MAE)平均降低2.67%;决定系数(R-Square, R2)平均提高23%;均方根误差(Root Mean Square Error, RMSE)平均降低2.69%。

基于动态图注意力的风电场组合预测模型

为了实现风电场用能管理的高效调度,充分提取多站点间时空特征的潜在联系,提出一种基于动态图卷积和图注意力的多站点短期风电功率时空组合预测模型。使用图卷积实现多站点间时序特征的邻居聚合,并使用图注意力机制加强其对空间特征的提取能力。同时,针对传统模型无法处理图节点关联性实时变化的问题,先在图卷积过程中依据站点间的相关系数和距离动态构建邻接矩阵,再使用门控循环单元处理动态图卷积输出的上下文信息,最后完成风电功率预测。实验结果表明,所提出的组合模型在预测精度、稳定性和多步预测性能方面均最优。

自适应变异粒子群优化BP的短期风电功率预测模型

针对反向传播(BP)神经网络预测模型在风电预测中预测精度低、输入变量多的问题,提出一种基于互信息的自适应变异粒子群优化BP的短期风电功率预测模型.首先,采用互信息筛选出原始数据中与输出功率相关度较大的影响因素,减少冗余信息;然后,引入具有自适应惯性权重系数和变异因子思想的粒子群算法对预测模型进行优化.结果表明:与传统预测模型相比,该预测模型具有收敛速度快、预测精度高等特点.

基于RCC-GRU模型的超短期风电功率预测方法

准确高效的风电功率预测对于风电场和电网的稳定运行非常重要。提出了一种基于辐射分类坐标(RCC)和门控循环单元(GRU)的超短期风电功率预测方法。首先,分析了不同气象因素对风力发电的影响以及不同时间段的影响程度。其次,提出了一种辐射分类坐标方法对相似的时间段进行分类和选择,将所选相似时间段的数据集(包括发电量和多元气象数据)重建为训练数据集。然后,将GRU神经网络作为该模型的学习网络。实验结果表明,所提出的模型的预测准确率和确定系数分别为97.6%和98.99%,并结合3个误差指标和训练时间分析,RCC-GRU模型的准确性和效率均优于其它3个比较模型。

短期风电功率预测误差的混合偏态分布模型

风电功率预测目前仍存在较大误差,决策需结合其不确定性信息。分析实际运行系统中短期风电预测的误差,得到不同规模及出力区间下的误差分布呈有偏、重尾、多峰等特性。为此,提出混合偏态分布模型估计短期风电预测误差分布,并通过概率密度曲线非线性拟合进行参数估计。通过一个实际运行的区域风电预测系统数据,验证了混合偏态分布模型能很好的描述风电预测误差分布特性。相比较其它分布模型,该模型应用范围更广,拟合精度更高,灵活性更强,能够用于描述不同情况下风电预测误差分布。

结合多重聚类和分层聚类的超短期风电功率预测方法

提出了一种结合多重聚类算法和分层聚类算法的超短期风电功率预测方法。为了处理训练样本动态,识别与待预测时段特征相似的样本,对历史功率序列和历史气象序列分别进行聚类处理。功率序列的聚类指标由欧氏距离和协方差组成,气象序列的聚类采用逐层划分的方法,并将聚类结果组合成多个样本子集。利用分类建模-特征匹配的思路建立多个粒子群优化-反向传播(PSO-BP)神经网络预测模型,并调用与待预测时段特征最相似的预测模型。将所提预测方法用于青海某风电场的实际算例,实验结果表明,该方法可以提高超短期风电预测的准确性。

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(least squares support vector regression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。

基于改进OLS-RBF神经网络模型的短期风电场出力预测

介绍了基于正交最小二乘(OLS)方法构造径向基函数(RBF)神经网络模型的基本思想,分析了传统OLS-RBF模型对基函数宽度初值的敏感性。采用梯度下降法调整和确定基函数宽度初值,有效降低其对网络的影响。以风电场的风速和环境温度作为预测输入,分别采用改进模型与传统模型对福建某沿海风电场的短期出力进行了预测,研究结果表明,改进的OLS-RBF模型预测结果更加准确,精度较高。

基于QPSO-LSTM的短期风电负荷预测模型

准确的风电预测可以提高电网的稳定性和可靠性,优化风电发电计划,降低能源成本。为了提高短期电力负荷预测的精度,文章探讨了一种基于QPSO算法对LSTM神经网络进行优化的算法,并根据LSTM神经网络以及QPSO算法的基本原理,利用QPSO算法对LSTM的超参数及网络拓扑结构进行优化,建立QPSO-LSTM短期风电负荷预测模型。仿真结果表明,QPSO-LSTM模型较传统的LSTM模型预测精度更高,且具有更快的收敛速度。

基于Bagging混合策略的多风电场稀疏向量自回归概率预测

风电功率预测对电力系统的安全稳定运行具有重要意义。针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,KDE)的稀疏向量自回归预测方法。首先通过时间序列分解和余项自举,生成若干自举时间序列。对于每个时间序列,采用向量自回归(vector autoregression,VAR)模型进行预测。针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵。每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果。在真实风电集群数据上,验证所提多场站概率预测方法的有效性,采用分位数得分评估概率预测精度。相关实验结果表明,该方法可以有效提高概率预测精度。

基于粒子滤波和主成分分析优化的极限学习机在风电场功率预测的应用

风力发电的波动性给实现电网安全运行带来了挑战,因此,需要准确预测风力发电量。提出了一种基于粒子滤波和单隐层神经网络极值学习机的短期风电预测方法,并引入主成分分析对数据进行降维。极限学习机具有快速的训练速度和良好的泛化性能,它可以在同一时间和空间学习风速、风向等气象因素与海上风电场发电量之间的关系,再加上粒子滤波对数据的预处理,更新训练数据和网络结构。实现气象数据的快速实时校正和风电机组输出功率预测。与现有预测规模型相比,本实验模型平均绝对百分比误差最低为5.81%,结果验证了所提预测方法的可行性和优越性。

基于CNN-LSTM及深度学习的风电场时空组合预测模型

为了更好地预测风电场的风电功率,提取风电场相邻站点之间时空信息和潜在联系,提出了一种基于卷积神经网络(CNN)、互信息(mutual information,MI)法、长短时记忆网络(LSTM)、注意力机制(AT)和粒子群优化(PSO)的短期风电场预测模型(MI-CNN-ALSTM-PSO)。CNN用于提取不同站点的空间特征,LSTM则用于获取多个站点的风电数据的时间依赖信息,据此设计CNN-LSTM时空预测模型,并结合深度学习算法,如MI特征选择、AT注意力机制、PSO参数优化,对模型进一步改进。通过两个海岛风电场的实验数据分析可知,所提模型具有最优的统计误差,CNN-LSTM模型可以高效提取风电场时空信息并进行时间序列预测,而结合深度学习算法(MI、AT和PSO)后的组合模型能进一步提高风电功率预测精度和稳定性。