风电场短期风速区间预测

针对传统确定性风速点预测结果存在不同程度误差与不确定性等问题,提出一种基于局部均值分解(local mean decomposition,LMD)-模糊熵(fuzzy entropy,FE)和混合灰狼算法(hybrid GWO,HGWO)优化极限学习机(extreme learning machine,ELM)的短期风速区间预测模型。首先采用LMD对原始风速时间序列进行分解,降低不同特征尺度序列间的相互影响;其次,为降低计算规模对分解后各分量序列分别计算模糊熵,熵值相近分量叠加形成新序列;最后,针对ELM在输入权值和隐含层偏置选取上存在随机性问题,采用HGWO算法对ELM参数进行优化,分别对每个新序列进行预测并将结果叠加,叠加后预测值采用T分布进行区间估计得到预测区间。实例仿真表明:该模型提高了预测精度,产生更好的预测区间,为未来风速的不确定性分析提供更多的依据和信息。

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。

融合信号分解与排列熵的高铁线路风速区间预测方法

为提升高铁线路风速预测精度以保障强风下高速列车的运营安全,融合信号分解与排列熵提出高铁线路风速区间预测方法。采用信号分解技术与排列熵(PE)筛选分量,对不同复杂度分量分别利用门控循环单元分位数回归(QRGRU)和门控循环单元(GRU)构建高铁线路风速区间预测模型。对我国某高铁线路风速监测数据进行预测,结果表明:预测模型的预测精度较对比方法有显著提升,在区间预测上有良好表现,预测区间覆盖概率(PICP)、预测区间平均带宽(PINAW)及综合覆盖带宽指标(CWC)分别为94%、0.16、1.72,表明该方法能准确描述未来风速趋势,提升预测精度,对解决高铁安全运营问题具有实用价值。

基于模糊认知图和粒计算的长期风速区间预测研究

长期风速预测是许多领域的重要研究课题,包括电力市场结构调整、能源管理和风电场优化设计。然而,仅靠精确的数值不足以完全描述长期风速预测的变化趋势。相反,区间变化和语义可以提供更全面的长期风速预测信息。针对数值预测风速变化的弊端,提出一个混合预测模型,该模型结合了模糊认知图和粒计算进行预测。具体为先运用粒计算对数据颗粒化,然后使用模糊认知图对处理后的数据进行预测。通过与BP神经网络对比,仿真实验表明所提算法在预测区间值和语义上表现出更好的性能。这项研究强调了将区间变化和语义表达纳入长期风速预测的重要性,所提出的模型可以作为风能行业相关者的决策工具。

风电场短期风速变化区间与变化趋势预测算法

风电场短期风速区间预测对风电场与电力系统的协调运行具有重要意义,基于模糊信息粒化和最小二乘支持向量机提出了一种短期风速区间预测算法。首先对风速时间序列进行Witold Pedrycz模糊信息粒化,得到3个模糊粒子Low、R和Up,分别代表风速区间的最小值、变化趋势和最大值,然后利用最小二乘支持向量机回归预测模型对粒化数据进行回归预测。实例分析结果表明,该算法提高了预测精度和效率,可以有效地预测风电场短期风速的变化区间和变化趋势。

风电场风速及风功率预测研究综述

对现有风速及风电功率预测研究方向和研究方法进行了总结分析,分析对比各自的特点,并在此基础上提出以下建议以进一步研究。