关于利用空间相关性预测风速的评述

归纳了空间相关性风速预测的现状;引入条件相关性及相应的可信相关度概念,以代替常规的相关性;基于大数据思维,提出将数据驱动与因果驱动相结合的预测框架。从历史数据中挖掘相关性,利用空间相关性增加风速预测的数据源,部分克服历史数据缺失的困难;利用大时滞的空间相关性,有助于预测下游风速的突变。最后,依托该框架展望了空间相关性风速预测的前景。

GM(1,1)模型预测风速变化趋势的效果分析

风速的大小是建筑工地安全监控的指标之一。而建筑工地环境的复杂性使测量的风速受到随机干扰因素较多,分析有难度。文章以灰色系统中的GM(1,1)模型来分析预测风速的变化过程,数值试验表明,该模型抗随机性较好,可以为风速的变化趋势提供较大的参考价值。

基于IBES-XGBoost的高速铁路沿线风速预测模型

为保证高速铁路沿线风灾预警信息具有较高时效性,需要进行高速铁路沿线超短期风速的提前多步预测。针对众多预测模型在预测中可能存在较大误差的问题,采用Tent混沌映射和BFGS拟牛顿法对秃鹰搜索算法进行改进,并用改进的秃鹰搜索算法(IBES)对XGBoost的初始参数进行优化。在构建IBES-XGBoost模型时,加入风速以外的其他气象特征,以提高预测精度。实验结果表明:(1)改进的秃鹰算法相比其他智能优化算法有更好的寻优能力,与其他模型相比IBES-XGBoost在超短期风速的提前多步预测上有着较高的精度和较好的拟合效果。(2)Tent混沌映射和BFGS拟牛顿法对秃鹰算法有着较好的改进效果。(3)IBES-XGBoost能为高速铁路规范下的大风预警提供可靠的提前多步预测结果。

基于改进时间卷积网络与藤Copula的短期风速预测

考虑风电场相邻风机风速间以及风速与气象因素间复杂的非线性关系,提出了一种基于改进时间卷积网络与藤Copula相结合的风速预测方法。首先,利用深度残差收缩网络中存在的注意力机制及软阈值化的思想改进时间卷积网络中的残差模块,并进行初步风速预测;然后,考虑到众多气象因素对风速的影响,使用核主成分分析对气象数据进行降维,在保证数据特征的同时,降低数据的复杂度;最后,利用藤Copula在描述非线性相关结构方面的优势构建修正模型,使用降维的气象数据修正初步风速预测值,得到最终的风速预测结果。实验证明,所提方法提高了短期风速预测的精度。

基于ICEEMDAN-PSO-LSTM的短期风速预测

提出一种改进自适应噪声完备集合经验模态分解与粒子群优化长短时记忆神经网络模型的短期风速预测方法。采用ICEEMDAN算法对日风速数据进行分解并计算相应边际谱,以谱相关性为依据对历史数据进行筛选;运用PSO算法优化LSTM神经网络参数,对输入数据进行ICEEMDAN分解,将所获得的多个模态分量分别用PSO-LSTM进行预测,并通过将各分量预测值叠加的方法得到风速预测结果。使用所提方法对国内某风电场风速进行预测,通过比较分析验证所提方法的有效性。

SSA-RBF神经网络模型在风电风速预测中的应用研究

为了提高风电功率的预测精度和稳定性,以更好应对风速的多变性和非线性特性,提出了一种基于麻雀搜索算法(SSA)优化径向基函数(RBF)神经网络的风速预测模型(SSA-RBFN)。通过SSA优化RBFN的参数,以预测提高模型的精度和稳定性。通过选用风电场实际数据进行研究,与SSA-BP模型、RBF模型、BP模型进行比较。仿真结果表明:SSA-RBF预测模型在MAE、MBE和RMSE指标上体现出预测误差显著低于传统RBF模型和BP模型,表明提出的模型是可行和有效的。

基于灰狼算法和极限学习机的风速多步预测

为了提高风速的多步预测水平,提出了一种基于数据信号分解和灰狼算法优化极限学习机的混合预测模型。首先,使用具有自适应噪声的完全集成经验模态分解算法将原始风速时间序列分解为若干本征模态函数和一个残差序列,并使用偏自相关函数法对模型输入进行特征选择;其次,在分解子序列上分别建立模型并进行预测,构造多输入多输出策略的极限学习机神经网络,使用灰狼优化算法求解其中的最优化隐含层权值和偏置;最后,对子序列进行重构并得到最终的预测结果。使用时间分辨率为15 min的多组实测资料开展模拟实验,所提模型在3个风电场的均方根误差分别为0.859、0.925、0.927 m/s,均低于其他对比模型,验证了该模型在未来4 h风速预测即16步预测中的有效性。

基于改进经验模态分解和混合深度学习模型的风速预测

准确的风速预测对风电消纳和电力系统的稳定运行具有重要意义。提出将改进的自适应噪声完全集合经验模态分解(ICEEMDAN)方法和混合深度学习模型相结合以提高风速预测准确性。首先,采用ICEEMDAN分解方法提取复杂风速序列中不同频率特征;其次,针对不同频率特征构建时间卷积网络(TCN)-门控循环单元神经网络(GRU)模型,获取长期时序信息并对各特征序列进行预测;最后,加权集成每个特征序列的预测值作为最终结果。实验结果表明,所提ICEEMDAN-TCN-GRU模型较对比模型模型预测精度高、稳定性强。

考虑时间相关性的风速和波浪高度短期预测

风与波浪高度是海洋工程设计的重要参数之一,其准确预测具有重要的工程意义。针对波浪高度复杂多变、难以预测的挑战,本文考虑时间相关性,利用长短时记忆(Long-Short-Term Memory,LSTM)神经网络方法建立风和波浪高度的短期预测模型。首先,对波浪高度和风速等海洋环境原始时间序列进行分析,并选取不同时间间隔对浪高和风速极值进行取值;其次,对风速与波浪高度开展相关性分析,并基于LSTM方法,构建风和波浪高度单步预测模型。在时间间隔为0.5 h时,波浪的预测误差为0.12 m;进而构建风和波浪联合预测模型,预测风速下的波高预测误差仅为0.12m,与实测风速下的波浪预测误差基本一致。

基于误差修正和VMD-ICPA-LSSVM的短期风速预测建模

精准的风速预测是将风能大规模应用到电力系统中的关键,而风速序列的随机性和波动性等特点使得风速预测难度增加.为增强风速序列的可预测性,采用Logistic混沌映射策略、自适应参数调整策略以及引入变异策略对食肉植物算法(CPA)进行改进,并提出了基于误差修正和VMD-ICPA-LSSVM的短期风速预测模型.首先将气象因子作为最小二乘支持向量机(LSSVM)的输入对风速进行预测,获得误差序列.再利用K-L散度自适应地确定变分模态分解(VMD)的参数,并对误差序列进行分解.结合改进食肉植物算法(ICPA)优化LSSVM可调参数的方法来预测分解的子序列.叠加各子序列预测结果后对原始预测序列进行误差修正,进而得到最终风速预测值.实验结果表明,与其他模型相比,所提模型有着更好的预测精度和泛化性能.

基于时空关联特征与GCN-FEDformer的风速短期预测方法

精准预测风速可以提高风电功率预测的准确性,现有风速预测方法未充分挖掘相邻多风场之间的空间相关性,在具备多风场数据及其相关性较强条件下风速预测准确性尚有较大提升空间。为了充分利用空间相关性信息,提出一种基于图卷积网络(graph convolution networks,GCN)和频率增强分解Transformer (frequency enhanced decomposed transformer,FEDformer)的风速预测模型,即GFformer,GCN用于提取风速空间特征,FEDformer用于学习时序特征。同时,还构造一种从强度、时滞2个维度分别表征相关关系的复数邻接矩阵,使得GFformer能够更全面地捕捉相邻风电场之间风速的时空相关性,进一步提高风速预测的准确性。在具备25个风电场数据的案例研究中,GFformer相比其他对比模型表现更优。

融合风电动态特征与通道注意力的超短期风速混合预测

准确的风速预测对于保障电网的稳定性和提升运行效率至关重要。为了提高预测的准确性,提出一种融合风电动态特征与通道注意力的超短期风速预测混合模型。首先,考虑气象因素对风速变化的影响,融合气象数据的静态和动态特征构建特征矩阵,深入挖掘影响风速的关键潜在因素。然后,采用时变滤波经验模态分解对原始风速进行初步分解,随后应用变分模态分解对高频分量进一步分解,以降低数据的不稳定性并增强模型的可预测性。其次,为每个子序列分别构建双向长短期记忆网络预测模型,并引入高效通道注意力机制,以自适应地为多通道特征信息分配权重,使模型能够集中于关键特征信息,从而提高模型的预测精度。最后,通过综合各子模型输出得到最终的风速预测值。实例分析表明,所提模型具有较好的预测精度和鲁棒性。

基于IVMD-PSO-LSTM模型的短期风速预测

原始的风速序列是一种非线性和不平稳的风速序列,直接针对风速序列进行建模和预测精度不高。论文提出一种基于改进变分模态分解(Improved Variational Mode Decomposition,IVMD)的粒子群优化长短期记忆模型(Particle Swarm Optimization-Long Short-Term Memory,PSO-LSTM)网络相结合的方法对短期风速序列进行预测。IVMD算法能够自适应地确定分解层数,从而将原始风速序列转化为若干个不同频率、平稳的子序列,并具有良好的完备性。论文首先通过计算不同分解层数下的各个子序列的模糊熵值来为VMD算法选取合适的分解层数,然后采用VMD算法对原始风速序列进行计算分解得到一系列的平稳子序列,再通过对LSTM模型进行PSO算法优化来寻找最优参数,对子序列建立优化后的组合模型来进行预测,最后对子序列预测结果加总得到最终的预测结果。仿真结果表明,论文提出的IVMD-PSO-LSTM混合模型相较于BP、ARMA、LSTM单一模型预测精度更高,符合现有的风速预测标准。

基于CEEMDAN和BiLSTM-AM的超短期风速预测方法

精准的风速预测结果可以推进风电的高效消纳以及增强新型电力系统的安全稳定性。为进一步挖掘风速序列的非线性特征,提升风速预测精度,提出了一种基于CEEMDAN与BiLSTM-AM的超短期风速预测方法。针对风速的随机波动性,采用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对风速序列进行分解,转化为一系列较为平稳的子模态,从而降低预测的复杂度;采用具有双向信息流结构的双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)挖掘各分量的变化规律,同时注意力机制(attention mechanism,AM)为神经网络的隐藏层状态分配相应权重,突出长时间序列中的关键信息,并利用贝叶斯优化对模型超参数进行寻优;将各分量的预测结果进行叠加作为最终结果。通过实际算例对比分析可知,该模型在单步与多步预测任务中均展现出良好的预测性能。

基于VMD-FE-SSA-SVR模型的超短期风速预测

为有效降低风速的非线性和无序性带来的风速预测难度,提高预测准确性,提出一种结合变分模态分解(VMD)、模糊熵(FE)、麻雀搜索算法(SSA)和支持向量回归(SVR)的组合预测模型来预测超短期风速。首先利用VMD技术将风速数据分解为若干模态分量,再通过FE方法对各分量进行筛选,将FE值相近的分量进行叠加,形成若干个新序列,然后采用经SSA优化过的SVR模型对新序列进行训练与预测,最后将各新序列的预测结果叠加,形成最终预测结果。通过不同模型验证对比,VMD-FE-SSA-SVR模型预测效果较好,表明所提模型显示出较好的预测精度与稳定性,可有效预测超短期风速。

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CEEMDAN-SE-GWO-LSTM模型的短期风速预测

为了降低风速具有的非线性和随机性带来的预测难度,提高预测准确性,提出一种融合完全自适应噪声集合经验模态分解(CEEMDAN)、样本熵(SE)、灰狼优化算法(GWO)和长短期记忆神经网络(LSTM)的组合预测模型来预测短期风速。首先利用CEEMDAN将风速数据分解为若干模态分量,再通过样本熵对各分量进行筛选,将样本熵值相近的模态分量进行叠加,形成新的若干个子序列,然后对各子序列采用GWO-LSTM模型进行训练与预测,最后叠加子序列的预测结果。实验结果表明,所提CEEMDAN-SE-GWO-LSTM模型相对于单一的LSTM模型在均方根误差、平均绝对误差和平均相对误差这3个误差指标上分别降低了21.7%、44.5%和40.9%,因此该模型具有较好的预测精度与稳定性,可有效预测短期风速。

基于最优Copula相关性分析的短期风速预测方法

准确剖析变量间的关联关系,深入挖掘数据的潜在价值,是提升一系列基于统计分析原理所构建风速预测模型精度的关键。为最大程度保留数据的潜在价值并剔除冗余信息,首先将待选输入变量用概率密度函数拟合,其次建立风速与其他变量间的最优Copula函数,再次基于最优Copula函数求解相关系数,明确影响风速预测精度的关键输入变量,最后基于长短期记忆网络模型输出预测结果。基于我国某地区的实测数据集对所提方法进行了验证。实验结果表明,所提出的方法可有效选取关键输入变量,在减少模型训练时间的同时提升预测精度。

基于DSS-UNet算法的网格化风速预测

风速预报对于航空领域的决策和规划具有重要指导意义。传统的气象栅格风速预测依赖于数值模式预报技术,基于复杂的数理方程建立的数值模式预报需要花费高昂的算力。针对传统技术的硬件要求高、现有的基于深度学习算法的数值模式预报算法效果差的问题,提出了一种多尺度时空U结构网络(different scale spacetime UNet,DSS-UNet)对多气压等级未来两天的格点风速进行预测。该算法的多尺度通道和空间模块(mult-scale channel and sparional module,MSCSM)模块充分考虑了输入特征的通道及空间信息;提出了一个由时序自适应模块(temporal adaptive module,TAM)结构改进得到的多尺度时间自适应模块(mult-scale temporal adaptive module,MSTAM)模块来捕获局部分支及全局分支的时间信息。在公开数据集(ERA5再分析数据)进行实验,并与其他算法进行对比实验,实验结果表明,在实验区域内,DSS-UNet的评估指标优于对比的时空预测算法。这对于提高气象预报的准确性以及应对天气变化带来的挑战具有一定意义。

基于聚合时空图卷积网络的多风场超短期风速预测

在一定环境内区域风电场呈不规则分布的条件下,传统卷积神经网络预测方法无法体现出各区域风场的分布状态和影响关系,难以实现对风速的准确预测。针对此问题,采用图卷积网络进行特征建模,并根据多风场的拓扑结构和各区域风场风速的互相关系数建立连通图和权重矩阵。其次,依赖风场风速的时间动态特征,采用改进并列式卷积结构获取同一风场下多时间段的风速序列相关性。再次,利用风场风速的空间相关性和延时效应,采用二阶聚合方法将不同区域内风速的时空特征聚合。最后,经某区域风场数据验证表明,在0~4 h预测尺度下该方法在多风场超短期风速预测中具有提取时空特征并提升预测性能的效果。