基于改进最小二乘支持向量机和预测误差校正的短期风电负荷预测

为了提高风电负荷预测精度,保证风电场资源得到有效利用,提出了基于改进最小二乘支持向量机和预测误差校正相结合的方法。首先引入提升小波分解原始数据,可以有效提取其主要特征,从而克服风电场的随机性。然后采用最小二乘支持向量机对分解后的信号做预测,保证了预测精度。接着用误差校正方式修正预测结果,减少了较大误差点的出现,提高了预测结果的稳定性。最后,通过某风电场预测结果表明,基于提升小波和最小二乘支持向量机的方法可以提高预测的精度,误差预测的方法也可以有效地校正预测结果。仿真结果验证了该方法用于风电负荷预测是有效可行的。

长期风电负荷预测方法比较

我国在长期风电负荷预测领域的研究处于初期水平,尚未有行之有效的预测方法,另一方面,长期风电负荷预测在风电并网、风电定价以及风电厂选址等领域起到十分重要的作用。为此,首先研究总结国内外关于风电负荷预测的成果,结合我国实际情况研究分析了我国在风电领域的利用现状以及弃风率居高不下的原因;其次,分析灰色预测理论和时间序列预测理论的模型与应用范围,以M省历年风电发电量作为算例,比较灰色预测理论预测结果与时间序列模型预测结果;最后,通过比较两种方法的预测误差,研究二者在长期风电负荷预测中的应用效果以及造成二者预测结果与应用范围不同的原因。结果表明,由于预测原理的不同和数据特征所造成的差异,在年度预测方面,灰色预测模型预测精度更高;在月度预测方面,时间序列模型精度更高。

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。