基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。

基于聚类分析与神经网络的电力系统负荷预测

电力负荷数据具有很强的非线性和随机性。为了提高负荷预测模型的精度,提出了一种基于聚类分析与神经网络相结合的预测模型。采用K均值聚类分析算法对影响负荷的各种因素进行分类处理,再选择预测日所属类别的历史数据作为训练样本对BP神经网络模型进行建模;利用MATLAB对北京市朝阳区的负荷量进行预测分析。结果表明未聚类预测模型的平均相对误差为6.4633%,聚类后的负荷预测模型平均相对误差为2.1431%。可见对历史数据进行聚类后建立的负荷预测模型误差更小,预测精度更高。