基于CEEMDAN-ISSA-BPNN组合模型的风机功率短期预测

针对风力的随机性和不稳定性导致风机功率数据特征难以获取,以及预测的时间和精度不稳定的问题,提出了一种基于自适应噪声完备集成经验模态分解(CEEMDAN)结合改进的麻雀搜索算法(ISSA)优化反向传播神经网络(BPNN)的预测方法。首先,采用CEEMDAN进行序列分解,提取各尺度特征分量,得到不同时间尺度的局部特征分量;其次,引入混沌映射和动态权重优化麻雀搜索算法(SSA),对单一BPNN的局部极小化、收敛速度慢问题进行优化;最后,依据各分量展示的数据特征,建立ISSA-BPNN预测模型进行预测。仿真结果分析表明:CEEMDAN-ISSA-BPNN组合模型具有更高的预测精度,预测效果更佳。

基于沿海风力发电场风机输出功率预测的分类算法对比

介绍了风力发电场风机输出功率预测的相关背景和研究意义,应用数据挖掘中的经典M5P算法和改进的M5P分类算法对风力发电机输出功率预测进行归纳、对比和分析.首先,对原始数据进行预处理,去除无效数据,以提高实验精确度和效率;然后,采用上述两种算法进行数据处理;最后,验证了改进的M5P算法对风机输出功率预测的高效性和准确性.

基于LSTM的滚动预测风机发电量研究

针对风能产业持续发展、占比不断增加、风电固有的不稳定性给电网安全运行带来的隐患,提出一种基于长短期记忆网络LSTM的滚动预测风机发电量模型。对风机输出功率进行预测,为电网调度、机组组合、风机维护等操作提供依据,有效保障电网安全运行。以风机历史数据作为训练与测试数据,将当前时段模型的输出数据组装成下个时段模型输入数据对模型参数进行动态的自动微调,以提高模型预测准确率。实验结果表明,随着测试数据的增加,滚动预测模型可以进一步提高预测准确率。