融合残差与VMD-ELM-LSTM的短期风速预测

准确可靠的风速预测有利于维护电力系统的安全运行。为提高预测精度,本文提出一种融合残差与变分模态分解(VMD)、极限学习机(ELM)、长短时记忆(LSTM)的短期风速预测模型。首先,VMD算法将风速序列分解为若干个子序列以降低原始数据复杂度。接着将ELM作为初始预测引擎,用来提取各风速子序列特征。然后,对所有预测子序列进行重构,得到初步预测结果。为进一步挖掘原始风速序列中的不平稳特征,采用LSTM对初步预测结果的残差进行建模。最后,集成预测的残差与初步结果,得到最终的预测值。在真实风电场数据上开展实验,并将预测结果与其他模型对比。实验结果表明,所提模型能显著提升风速序列的预测性能。

基于最大信息系数的短期太阳辐射协同估计

提出一种短期太阳辐射估计的协同方法,即利用邻近站点数据来估计目标站点的太阳辐射。先利用最大信息系数对所有站点的相关数据进行特征选择。然后将特征选择后的数据作为输入,采用不同的机器学习模型进行估计。最后在实际数据上将协同估计的误差与仅采用目标站点的估计误差进行比较。实验结果表明协同估计对所有目标站点都有更高的精度和更低的误差。