基于信息调控和MATCN的超短期风电功率多步预测

对波动的风电功率进行有效预测,是电网供需平衡、系统稳定运行的重要保障。为此,提出一种基于信息调控和MATCN的超短期风电功率多步预测方法。利用现有数据衍生出高阶项与交互项,提升特征序列数量与有效特征占比。针对复杂的风电数据结构,使用变分模态分解(VMD)将其拆分,根据子序列相关性和方差贡献率的计算结果保留重要序列分量,其余分量进行聚合,降低计算负担,缩短训练时间。随后,引入注意力机制构造多头注意力时间卷积网络(MATCN),通过注意力得分调整网络内部卷积单元之间的传递信息,实现模型对各序列分量的预测。最后,重构序列分量预测值,得到最终的输出结果。在实例数据上对所提模型进行对比验证,结果表明,该模型在不同步幅下均具有较好的预测效果。

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。

基于多窗宽核密度估计的风电功率超短期自适应概率预测

精准的风电功率预测是保证新型电力系统安稳运行、促进风电消纳的重要手段。针对核密度估计所求分位数在不同置信度下鲁棒性差的问题,提出多窗宽核密度估计方法,根据不同置信度生成不同窗宽的核密度估计值,实现了风电功率的超短期自适应概率预测。首先,结合风电功率曲线和数据驱动模型,建立基于改进双向长短期记忆网络的风电功率超短期确定性预测模型。其次,推导了最优窗宽核密度估计方法,并基于此构建多窗宽核密度估计误差拟合模型,在不同置信度下自适应生成最优窗宽并构建预测区间。最后,基于实际运行数据验证模型的可行性与有效性。结果表明,所提模型可有效提高确定性预测的精度和概率预测的鲁棒性。

基于DCGCN模型的海上风电场超短期功率预测

图卷积网络(GCN)具有很强的数据关联挖掘能力,近年来在风电功率预测领域获得了广泛关注。然而,传统的基于GCN模型的超短期风电功率预测难以同时处理影响风电功率的两大核心因素(风速与机组状态信息)的双模态问题,基于此,提出了一种基于双通道图卷积网络(DCGCN)的海上风电场超短期功率预测模型。首先,建立以理论功率曲线为基准的机组状态指标模型,定量表征机组状态变化对其发电能力的影响;其次,构建海上风电场图拓扑,建立基于风速和状态邻接矩阵的风电场各机组捕获的风速与机组状态信息的关联关系模型;最后,建立基于DCGCN的风电场超短期功率预测方法。算例结果表明,所提模型有助于提高风电场功率预测模型的训练效率和预测精度。

基于BP-AHP风机状态评估的超短期风电功率动态预测研究

针对传统风电功率预测仅考虑气象因素,且无法计及风电机组真实出力状态导致预测精度较差问题,本文提出一种计及风机状态的超短期风电功率动态预测方法。首先,为能够精确评估风机状态,将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中,构建BP-AHP风机状态评估模型,实现单台风机状态评估;然后,综合考虑地形及机组排布等因素,将风电场所有风机的状态取均值作为风电场状态,利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性,并采用XGBoost构建计及风机状态的动态预测模型;最后,以陕西地区某风电场实测数据进行算例分析,验证了所提方法的可行性及有效性。

CEEMDAN-WPE-CLSA超短期风电功率预测方法研究

提出了一种结合自适应噪声完全集合经验模态分解、加权排列熵、卷积神经网络、长短期记忆网络和自注意力机制的超短期风电功率预测方法。首先,利用自适应噪声完全集合经验模态分解将原始风电功率时间序列自适应分解为一系列的模态分量,降低原始序列的非线性和波动性;其次,根据加权排列熵计算各模态分量间的相似性并对相似的分量进行重组,以修正自适应噪声完全集合经验模态分解的过度分解问题,使得修正后的模态分量更具规律性;最后,将重组后的分量输入卷积长短期记忆网络进行时序建模,并利用自注意力机制对卷积长短期记忆网络的神经元权重进行重新分配,提高了卷积长短期记忆网络对输入特征不确定性的适应能力。在此基础上,明确了自注意力机制和自适应噪声完全集合经验模态分解、加权排列熵在风电功率预测中的作用机制,以及风电功率信号包含的重要物理信息,证明了自适应噪声完全集合经验模态分解、加权排列熵以及自注意力机制在风电功率信号模态分解和长短期记忆网络隐层输出权重分配中的有效性。

基于注意力机制的IWOA-BiGRU超短期风电功率预测

超短期风电功率预测对电力系统调度及大规模风电并网具有重要作用。为得到准确可靠的风电功率预测结果,针对风电功率数据非线性和时序性的特点,提出一种基于IWOA-AT-BiGRU的超短期风电功率预测方法。首先,提出改进鲸鱼优化算法(improved whale optimization algorithm,IWOA)来优化风电功率预测模型的超参数,加速模型收敛,提高预测准确度;然后,在BiGRU中加入注意力机制(AT),AT用来加强重要信息对风功率的影响,BiGRU同时考虑数据的正反向信息,充分挖掘数据的时序特征;最后,通过某风电场实测数据进行实验,结果表明提出的方法预测准确度均高于其他对比模型,具有良好的预测性能。

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。

基于TCN-Wpsformer混合模型的超短期风电功率预测

针对基于梯度下降的递归神经网络难以捕获时间跨度较长的风电功率长期依赖关系的问题,提出一种基于时间卷积网络(TCN)和窗口概率稀疏Transformer(Wpsformer)混合模型的超短期风电功率预测方法。将包含时间季节性特征的时间编码与包含原始数据位置信息的绝对位置编码进行拼接,引入TCN提取时间片段特征,将时间片段特征融入自注意力机制,以时间片段的相关性联系替代时间点的相关性联系。通过Wpsformer模型多步输出超短期风电功率预测值,与原始Transformer模型相比,Wpsformer模型使用窗口概率稀疏自注意力机制,在捕获长期依赖关系的同时筛选出重要程度相对较高的时间片段特征进行计算,提高了预测精度且降低了计算成本。曹店风电场的算例结果表明,所提模型在预测精度方面具有明显优势。消融实验证明了所提模型各模块的必要性。

基于混合特征双重衍生和误差修正的风电功率超短期预测

随着风电渗透率的不断提高,对风电功率进行精准、可靠的预测是提升风电消纳水平的有效措施。针对功率预测时风电数据种类不足和特征数量稀缺的问题,提出基于混合特征双重衍生和误差修正的风电功率超短期预测模型。首先,在原始功率特征中施加混沌噪声,构造出多条混沌扰动特征,改善原始功率特征分布过于单一的状况。其次,提出基于免疫算法的特征衍生算法,挖掘风电功率数据的潜在信息,增加优质特征数量,进而构建误差预测模型,通过预测风电功率预测误差修正风电功率预测结果,进一步提升预测准确率。最后,基于比利时风电场实际运行数据进行算例分析。所提模型预测效果较好,且相较其他传统预测模型精确度更高,验证了所提模型的有效性。

基于双重注意力机制CNN-BiLSTM与LightGBM误差修正的超短期风电功率预测

为了响应国家“双碳”目标,针对风电功率预测误差影响电网安全稳定运行的问题,提出一种基于双重注意力机制改进的CNN-BiLSTM初步预测和LightGBM误差修正的组合预测模型。该模型首先利用卷积神经网络(Convolutional neural network,CNN)与注意力机制结合构成特征注意力模块自适应提取风电功率重要特征,然后利用双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)与注意力机制结合构成时间注意力模块对风电功率进行初步预测,最后利用LightGBM构造误差修正模型,对初步预测结果进行修正。使用平均绝对误差(Mean absolute error,MAE)、均方根误差(Root mean square error,RMSE)和确定系数(R^(2))作为试验评价指标,结果表明,该组合模型预测效果明显优于BiLSTM、CNN-BiLSTM等模型。

基于自适应二次分解与CNN-BiLSTM的超短期风电功率预测

为提高风电功率预测精度,提出基于自适应二次模态分解(QMD)、卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的超短期风电功率预测模型。针对风电功率的波动性,利用改进的完全自适应噪声集成经验模态分解方法(ICEEMDAN)对风电功率数据进行分解。引入麻雀搜索算法(SSA)对变分模态分解(VMD)的分解数量与惩罚因子进行优化,使VMD具有自适应性。将ICEEMDAN分解得到的高频分量I_(1)用SSA-VMD进行第二次分解,降低序列不平稳度。同时,构建包含2层池化层的CNN网络进行特征提取与BiLSTM网络的超短期预测模型,最终的风电功率即为各子序列预测结果之和。通过算例分析进行实验表明,所提风电功率预测方法的预测精度优于其他模型,验证了预测模型的优越性。

基于改进Cao算法的SSA与误差修正的超短期风电功率预测

针对风电历史信息运用不充分和未充分挖掘机器学习模型潜力的问题,提出一种特征奇异谱分析和模型误差修正的超短期功率预测。首先,利用随机森林分析不同特征对输出功率的影响程度,并利用累积贡献率进行特征提取。其次,通过改进的Cao算法确定奇异谱分析最佳嵌入维数,对提取的特征实现降噪处理,从而构建风电功率预测模型。最后,利用预测值与真实值的误差构建误差预测模型,通过预测的误差来修正功率预测的结果。以国内某小型风电场算例结果表明,所提方法较卷积神经网络-长短期记忆(CNN-LSTM)预测模型均方根误差(RSME)和均方误差(MSE)分别降低45%和53%,验证了所提模型的有效性。

基于VMD-PE-MulitiBiLSTM的超短期风电功率预测

为减少超短期风电功率预测的误差,提出基于变分模态分解(variational mode decomposition,VMD)-排列熵(permutation entropy,PE)和多层双向长短时记忆(multilayer bidirectional long short-term memory,MultiBiLSTM)组合的超短期风电功率预测模型。首先,利用VMD分解算法将历史风电功率序列分解成若干个子模态分量,根据计算的PE值重构分解的子模态风电分量;然后,使用特征注意力(feature attention,FA)机制和深度残差级联网络(deep residual cascade network,DRCnet)构建MulitiBiLSTM预测模型,预测重构后的子序列;最后,重构子序列预测值,得到最终风电功率预测结果。使用贵州某风场的数据集对所提出的方法进行验证,并和其他预测模型进行对比。结果表明,使用VMD-PE-MultiBiLSTM模型能显著降低风电功率预测误差。

基于SGMD-SE与优化TCN-BiLSTM/BiGRU的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于SGMD-SE与优化的TCN-BiLSTM/BiGRU组合预测模型。首先,采用最大互信息系数(MIC)选取出风功率强相关变量,作为预测模型的输入特征。其次,利用能抑制模态混叠、无须设置分解参数的辛几何模态分解(SGMD),将原始风功率信号分解成若干个较平稳的初始辛几何分量(SGC)。然后,使用样本熵(SE)完成初始分量重构并将重构后分量划分为复杂度高、低两类,根据两类分量不同特点,分别搭建TCN-BiLSTM模型、TCN-BiGRU模型进行预测。为改善BiLSTM、BiGRU预测性能,采用时间卷积网络(TCN)提取两类分量特征,并提出一种基于Tent混沌映射和柯西变异的改进鱼鹰优化算法(IOOA)优化其关键参量。最后,叠加各分量预测值得到最终的预测结果。结果表明:所提出的组合预测模型可有效提升超短期风功率预测的准确率,具有较强的实用价值。

基于特征选择及ISSA-CNN-BiGRU的短期风功率预测

针对风电功率随机性大、平稳性低,以及直接输入预测模型往往难以取得较高精度等问题,提出了一种基于特征选择及改进麻雀搜索算法(ISSA)优化卷积神经网络-双向门控循环单元(CNN-BiGRU)的短期风电功率预测方法。首先,利用变分模态分解(VMD)将原始功率分解为一组包含不同信息的子分量,以降低原始功率序列的非平稳性,提升可预测性,同时通过观察中心频率方式确定模态分解数。其次,对每一分量采用随机森林(RF)特征重要度的方法进行特征选择,从风速、风向、温度、空气密度等气象特征因素中,选取对各个分量预测贡献度较高的影响因素组成输入特征向量。然后,建立各分量的CNN-BiGRU预测模型,针对神经网络算法参数难调、手动配置参数随机性大的问题,利用ISSA对模型超参数寻优,自适应搜寻最优参数组合。最后,叠加各分量的预测值,得到最终的预测结果。以中国内蒙古某风电场实际数据进行仿真实验,与多种单一及组合预测方法进行对比,结果表明,本文所提方法相比于其他方法具有更高的预测精度,其平均绝对百分比误差值达到2.644 0%;在其他4个数据集上进行的模型准确性及泛化性验证结果显示,模型平均绝对百分比误差值分别为4.385 3%、3.174 9%、1.576 1%和1.358 8%,均保持在5.000 0%以内,证明本文所提方法具有较好的预测精度及泛化能力。

基于VMD-ISSA-GRU组合模型的短期风电功率预测

为解决风速不确定性和波动性造成风电功率预测精度不高的问题,提出一种基于变分模态分解(VMD)、改进麻雀搜索算法(ISSA)和门控循环神经网络(GRU)的VMD-ISSA-GRU组合模型。首先,利用中心频率法确定采用VMD分解后的模态分量个数,这样有效避免了过分解或者分解不充分。其次引入混沌映射、非线性递减权重以及一个突变策略来改进麻雀搜索算法,用于优化门控循环神经网络,然后对分解得到的各个子序列建立ISSA-GRU预测模型,最后叠加每个子序列的预测值得到最终的预测值。将该模型用于实际风电功率预测,实验结果表明:VMD-ISSA-GRU组合模型的平均绝对误差、平均绝对百分比误差、均方根误差分别为1.2118MW、1.8900及1.5916MW;相较于传统的GRU、长短时记忆(LSTM)神经网络、BiLSTM(Bi-directional LSTM)神经网络模型以及其他组合模型在预测精度上都有明显的提升,能很好地解决风电功率预测精度不高的问题.

基于CEEMD-SE的CNN&LSTM-GRU短期风电功率预测

为进一步提升短期风电功率的预测精度,提出了一种基于互补集合经验模态分解-样本熵(complementary ensemble empirical mode decomposition-sample entropy,CEEMD-SE)的卷积神经网络(convolutional neural network,CNN)和长短期记忆-门控循环单元(longshorttermmemory-gatedrecurrentunit,LSTM-GRU)的短期风电功率预测模型。首先,利用互补集合经验模态分解将原始风电功率序列分解为若干本征模态函数(intrinsic mode function,IMF)分量和一个残差(residual,RES)分量,利用样本熵算法将相近的分量进行重构;其次,搭建卷积神经网络和长短期记忆网络的并行网络结构,提取数据的局部特征和时序特征,并将特征融合后输入门控循环单元网络中进行学习预测;最后,通过算例进行验证,结果表明采用该模型后预测精度得到了有效提升,其均方根误差降低了15.06%、平均绝对误差降低了15.22%、决定系数提高了1.91%。

基于EEMD-PSO-ELM的风电功率超短期预测

针对风电场功率不稳定特性引起风电功率预测精度不高的问题,提出1种基于EEMD-PSO-ELM的超短期风电功率预测方法。首先,采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)将风电功率序列分解为若干个模态,从而避免了模态混叠;其次,利用相空间重构对分解得到的模态计算Hurst指数,并依据Hurst指数得到最优子序列;最后,采用粒子群算法(particle swarm optimization,PSO)-极限学习机(extreme learning machine,ELM)模型对最优子序列风电功率进行预测。以某风电场为例,采用预测模型进行分析,实验结果表明EEMD-PSO-ELM预测模型的风电功率预测精度更高。

基于加权优化组合模型的超短期风功率预测

由于风电场中风功率受风速影响具有可变性和持续波动的特点,导致风功率预测相对困难。因此,我们提出了一种基于加权优化组合模型的超短期风功率预测方法。精确的风功率预测对于保持电力系统的稳定性至关重要,首先,利用局部离群因子(Local Outlier Factor,LOF)算法和四分位法(Interquartile Range,IQR)组成LOF-IQR组合算法用于异常值检测,并使用最近邻插值法(K-Nearest Neighbors Interpolation, K-NNI)替换原始数据中的异常值点;其次,为了挖掘数据深层信息,对原始运行数据采用经验模态分解(Time-Varying Filter Ensemble Empirical Mode Decomposition,TVFEMD)和统计学计算以构建重构数据,并使用随机森林算法(Random Forest,RF)对重构数据进行特征降维;最后,将极限学习机(Extreme Learning Machine,ELM)、深度神经网络(Deep Neural Network,DNN)、长短期记忆网络(Long Short-Term Memory,LSTM)和回声状态网络(Echo State Network,ESN)进行组合,并利用改进的大猩猩部队优化算法(Modified Gorilla Troops Optimizatio,MGTO)优化4个模型的权重,以此构建超短期风功率预测模型。经验证该模型对比单一模型预测误差平均减少5%,能够对超短期风功率实现精准预测。