基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。

基于EEMD-LMD-LSTM-LEC深度学习模型的短时物流需求预测

短时物流需求预测是智慧物流系统的重要组成部分.由于短时物流需求数据具有非平稳性、强随机性、局部突变、非线性等特征,精确预测较为困难.对此,考虑集成经验模态分解(EEMD)、局部均值分解(LMD)、长短期记忆网络(LSTM)以及考虑局部误差校正(LEC),提出用于短时物流需求预测的EEMD-LMD-LSTM-LEC深度学习模型.该预测模型分为两个阶段:第1阶段基于特征分解和特征提取,构建EEMD-LMD-LSTM模型,以降低非线性的原始短时物流需求不平稳及随机变化导致的预测误差;第2阶段构建局部误差校正模型,用于校正第1阶段的预测结果,以减少短时物流需求的局部突变带来的预测误差.实验结果表明,EEMD-LMD-LSTM-LEC短时物流需求预测模型在均方根误差、绝对误差均值、绝对误差百分比和校正决定系数方面,均优于其他11种对比模型,其中包括:数理统计模型—–ARIMA;浅层机器学习模型—–支持向量回归和BP神经网络;深度学习模型—–LSTM和卷积神经网络;组合模型——深度置信网络-LSTM、经验模态分解(EMD)-LSTM、EEMD-LSTM、LMD-LSTM、EMD-LMD-LSTM和EEMD-LMD-LSTM.