针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风...针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据,然后基于LAR方法构建堆积型异常数据识别模型,分别实现对风电场分散型异常数据和堆积型异常数据的清洗,最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。展开更多
针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测,及风电时间序列的长期依赖问题,提出基于相空间重构和双向长短期记忆(bidirectional long short-term memories,BiLSTM)神经网络的风电功率短期预测方法。以全...针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测,及风电时间序列的长期依赖问题,提出基于相空间重构和双向长短期记忆(bidirectional long short-term memories,BiLSTM)神经网络的风电功率短期预测方法。以全球能源预测竞赛的数据集为背景,基于嵌入定理从风电功率序列中重构出相空间,以展示其内在的混沌特性,其中相空间重构的参数依据C-C法确定;对选取的气象预测数据(未来风速、风向)进行归一化处理,并组合重构后的风电功率数据作为BiLSTM的输入量,重构前的功率数据作为输出量,训练预测模型。在全球能源预测竞赛2012提供的wf1数据集上进行日前预测实验,测试集前30 d的平均均方根误差为0.1194,测试集107 d的平均均方根误差为0.1409,相较于ANN、BiLSTM、RF和KNN,相空间重构-BiLSTM(Re-BiLSTM)的预测准确度和精度更高,验证了所提出的短期风电功率预测模型的有效性、适用性和泛化性。展开更多
文摘针对因风电场机组异常数据而导致风电功率预测精度下降的问题,文章提出一种基于密度噪声应用空间聚类(density-based spatial clustering of applications with noise,DBSCAN)算法加上最小绝对残差(least absolute residual,LAR)法的风电场数据清洗方法。首先利用DBSCAN算法识别分散型异常数据,然后基于LAR方法构建堆积型异常数据识别模型,分别实现对风电场分散型异常数据和堆积型异常数据的清洗,最后通过Pearson相关系数和反向传播神经网络预测模型验证所提方法的效果。结果表明,基于DBSCAN+LAR的风电场数据清洗方法能有效减小风电功率预测误差。