一种改进组合神经网络的超短期风速预测方法研究

超短期风速预测是保障风电机组桨距角前馈控制实施效果的关键,对提高风电机组环境适应性具有重要影响。为了提高预测精度,提出了一种改进组合神经网络的超短期风速预测方法。该方法选择适合时间序列预测且具有较强非线性学习能力的BP神经网络和长短期记忆(long short-term memory,LSTM)神经网络进行加权组合,以消除单个神经网络可能存在的较大误差;同时,为了提高组合效果,采用差分进化算法对组合权重进行优化。将该方法应用于某风场超短期风速预测中,通过与单神经网络预测、等权重组合神经网络预测的结果对比,验证了所提方法在提高预测精度上的有效性。

基于完备集合经验模态分解的SE-BiGRU超短期风速预测

考虑风力发电具有随机性和不稳定性,为准确预测风速,提出一种基于完备集合经验模态分解和双向门控单元网络相结合的短期风速组合预测方法。首先,采用完备集合经验模态分解,将原始风速序列分解为若干个具有较强规律性的子序列,以减少不同特征尺度序列间的相互影响;然后,利用样本熵来评估风速子序列的复杂度,将复杂度相近的子序列组合为一个新序列,以减少输入到神经网络的模型数量;最后,将新组合的子序列分别输入到双向门控单元网络中进行预测,得到各子序列的预测结果,叠加得最终的风速预测结果。实例预测结果表明,所提出的风速预测方法具有较高的精度和运行效率。

风电场超短期风速预测的相空间优化邻域局域法

基于相空间重构技术和局域预测法,提出一种风电场超短期风速预测的新方法。该方法通过优化的相空间邻域寻找预测状态点在相空间中的邻域点,并建立支持向量回归(SVR)模型。通过考察伪近邻点的比重来选取合适的邻域半径,保证了邻域点与预测状态点的高度相似性,而SVR模型则具有很强的高维非线性拟合能力。实例分析表明,该方法与其他方法相比具有较好的超短期风速预测效果。

基于谱聚类和优化极端学习机的超短期风速预测

较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。

基于自适应组合模型的超短期风速预测

风电场的风速预测对电力系统的稳定及安全运行有着重大的影响。考虑到风速序列具有间歇性和随机性等特征,提出一种基于参数优化的变分模态分解及极限学习机的组合模型,将其用于超短期风速预测。首先,采用变分模态分解算法将风速序列分解为一系列的平稳分量。以正交性为适应度函数,利用网格优化算法搜索变分模态分解的关键参数值——分解层数和惩罚因子,确保分解出来各模态分量之间的信息正交性,抑制耦合分量的产生。然后,利用极限学习机对各分量进行预测。针对极限学习机预测不稳定的问题,采用粒子群算法对其初始权值及阈值进行参数优化,对于该模型的输入维数则运用自回归差分移动平均模型的定阶结果进行自适应确定。最后,叠加各分量的预测值作为最终的预测结果。实验结果表明,所提出的组合模型在预测精度上显著优于其他基准模型。

基于VMD和LSTM的超短期风速预测

风速具有非线性、非平稳性以及随机性等特点。为提高超短期风速预测精度,提出一种基于变分模态分解(VMD)和长短期记忆网络(LSTM)的超短期风速预测新方法。首先利用变分模态方法将风速序列分解成一系列不同的子模态以降低原始数据的复杂度和非平稳性对预测精度的影响。再对得到的风速子模态分别建立LSTM模型,进行超前1步风速预测。最后叠加各子模态的预测结果得到最终预测风速。对比分析结果显示,该模型的预测精度优于其他多种典型风速预测模型,该模型在超短期风速预测方面表现出较好的性能。

基于流形算法与RBF网络的超短期风速预测

传统的风速预测方法往往通过经验来确定模型结构,未考虑输入变量选取、系统的动态特性等问题,导致系统在不同时间尺度下的动态特性没有得以充分反映,降低模型的推广泛化能力。针对上述问题,提出一种基于流形算法和RBF网络相结合的方法,通过模型结构设计和本质特征提取等方法,增加模型预测结果的稳定性和鲁棒性,以提高模型的推广能力。以华东某风电场数据进行实验分析,结果表明,与传统风速预测方法相比,该模型结构选择方法可提高模型计算效率,降低样本复杂度,能够得到更好的预测效果。

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。

基于改进HHT的分钟级超短期风速预测

针对分钟级的风速具有更强随机性和非线性的问题,建立了一种基于改进希尔伯特黄变换(HHT)的分钟级超短期风速预测模型。首先,利用HHT对原始风速数据进行分解;然后,采用希尔伯特变换(HT)对分解所得各本征模态函数(IMF)进行谱分析,针对其频谱特性分别建立不同的神经网络模型进行预测;最后,分别运用权重浮动区间模型和数学解析模型求取各分量权重系数,按权重叠加各分量预测结果得到2组风速预测值,再通过优化组合得到最终预测结果。采用某风电场实际运行数据,对所建模型的可靠性进行了验证。结果表明:该方法预测效果优于原HHT组合预测模型,可有效提高风速预测精度。

两种算法在超短期风速预测的对比分析

超短期风速预测有助于实现风力发电机组的运行调度,提高风力发电机组输出电能的电能质量。通过Matlab搭建基于机组运行历史风速对后续风速进行预测的模型,对比分析了灰色算法、改进最小二乘拟合算法在2s超短期风速预测的相对误差。将大量风电场实测数据引入该模型进行验证分析,通过理论和实际的分析的结果表明,采用改进一次最小二乘拟合算法更适合用于风力发电机组的超短期风速预测。

基于VMD-ORELM-EC的超短期风速组合预测模型

为提高超短期风速预测的精度,文章提出一种基于变分模态分解(variational mode decomposition,VMD)、离群鲁棒极限学习机(outlier-robust extreme learning machine,ORELM)和误差修正(error correction,EC)的超短期风速组合预测模型VMD-ORELM-EC。首先利用VMD将原始风速序列分解,并对每个分解子序列分别建立ORELM模型,将各子模型预测结果相加得到模型初步预测序列;然后将原始风速序列与初步预测序列相减得到模型的误差序列,并对误差序列进行VMD分解,对分解得到的误差子序列建立ORELM模型,从而得到误差预测序列;最后将模型的初步预测序列与误差预测序列组合得到最终的风速预测序列。利用该文提出的预测模型对北京测风塔实测的风速数据进行分析,结果表明模型可以有效挖掘风速序列特性,在超短期风速预测上具有较高的预测性能。

基于小波分解的超短期风速混合模型组合预测

针对目前超短期风速间接预测方法在各频率序列均采用同一模型进行预测所带来的问题,提出了一种基于小波分解的超短期风速混合模型组合预测方法。基于自回归差分移动平均模型,反向传播(back propagation,BP)神经网络与支持向量机三种方法,针对小波分解后所得到的各频率序列特点,选取合适的方法并建立相应的模型对其进行预测,最后重构得到超短期风速预测结果。该方法可从根本上考虑实测风速序列分解后所得各频率序列间的差异性和可预测性,进而提高预测精度。所提方法在不同预测时长下均具有较高的预测精度。以平均绝对误差为预测精度评价指标时,与持续法相比,预测精度可提高64.2%(1h预测时长)、61.4%(4h预测时长);与传统单一模型组合预测方法中预测误差最低方法相比,预测精度可提高7.2%(1h预测时长)、5.7%(4h预测时长)。

基于风速预测的风电机组自动解缆优化方案研究

针对当前风电机组解缆控制存在的问题,首先对目标风电场的解缆情况进行了统计分析,指出优化解缆控制方案的必要性;然后提出了基于PSO-LSSVM模型的超短期风速预测方法,实现了对未来30 min内平均风速的预测;最后提出了基于超短期风速预测的风电机组自动解缆优化方案,并对目标风电场的解缆控制方案进行了优化升级。测试结果表明PSO-LSSVM模型与LSSVM模型相比具有更高的预测精度,能够满足解缆控制的要求;优化后的解缆控制方案有效降低了因解缆造成的电量损失,具有良好的工程应用价值。