基于卡尔曼滤波的风速序列短期预测方法

分析了卡尔曼滤波在风速序列预测分析中的应用机理,构造了用于风速序列预测分析的迟滞神经网络,并采用卡尔曼滤波方法将其与ARMA模型相融合,实现了风速序列的混合预测。通过修改激励函数的方式将迟滞特性引入神经网络,网络的权值采用梯度寻优的方式确定,迟滞参数利用遗传算法进行确定。系统的状态方程采用ARMA模型建立,将迟滞神经网络对风速序列的预测结果作为测量方程的测量值。混合预测方法能减小单一预测机制造成的同一性质误差的累积。仿真实验结果表明,迟滞神经网络的预测性能优于传统BP神经网络,而混合预测方法的预测性能优于单一预测方法。

浙江省近34年年平均风速序列均一性检验研究

采用标准正态检验(SNHT:Standard Normal Homogeneity Test)方法,对浙江省36个代表站1971~2004年的年平均风速资料序列进行均一性检验。结果表明:36站中有23个测站出现间断,其中因迁站原因造成非均一性的测站有13个,占非均一性总数的57%;环境变化原因有5个,占非均一性总数的22%;原因不明有3个,占非均一性总数的13%;测风仪高度变化、规定变更各为1个,占非均一性总数的4%。迁站是导致风速序列非均一性的主要原因。

拟合带间歇性的人工风速序列

研究生成既满足给定的工程谱特性,又具有间歇性结构的风速序列作为结构气动计算的输入。生成大气边界层紊流的人工风速序列是做结构风振计算的重要步骤,目前的方法都是生成高斯序列;实际的大气边界层紊流具有多尺度多层次的非高斯结构,集中体现在所谓"间歇性"上。利用佘振苏与Leveque提出的对数泊松律模型产生各尺度的小波系数,可以在拟合目标风速谱的同时引入湍流间歇性,通过小波逆变换生成单条风速序列,再用拟合周期图的思路扩展为多重相关序列。

迟滞Elman网络模型的风速序列预测

为提高风速序列预测的准确性,在双承接层Elman网络的基础上提出了迟滞Elman预测网络.网络具有输入层、隐层、隐层承接层、输出层以及输出承接层5层结构,并在隐层承接层和输出承接层的单元中增加了迟滞激励响应函数,从而将迟滞特性引入到Elman网络中,以提高网络处理连续信息的能力.选择梯度下降方法作为网络的学习算法,训练网络的权值及迟滞参数,利用该预测网络实现了风速序列的多步预测分析.仿真实验结果表明:迟滞特性的引入能够减小预测结果的随机波动性,有利于提高预测结果的可靠性,与现有预测方法相比,迟滞Elman网络的平均预测误差能够减小8%以上,整体预测性能以及波动较强的局部预测性能都能得到显著提高.

遗传混沌算子网络的风速序列预测研究

为提高风速序列的预测性能,提出一种改进的遗传混沌算子网络预测方法.混沌算子网络由输入层、中间层和输出层3层组成,网络的输入层与中间层的连接权值采用线性衰减的方式设计,中间层混沌算子单元的激励函数为混沌映射函数,采用遗传算法优化网络的权值和混沌算子控制参数.利用差分方法对被预测序列进行平稳化预处理,结合相空间重构理论利用平稳化后的数据构造网络的训练样本.仿真实验结果表明:该方法能够实现风速序列的多步预测分析,其预测性能优于传统预测方法,尤其随着预测步长的增加,该方法具有相对稳定的预测性能.

基于混沌特性分析的风速序列混合预测方法

为提高风速时间序列的预测性能,针对具有混沌特性的风速时间序列提出一种混合预测方法。通过分析风速时间序列的动力学特性,求解风速时间序列蕴含的最佳不稳定周期轨道,将前一最佳不稳定周期轨道附近的值作为当前预测结果,从而得到基于混沌不稳定周期轨道的预测结果。另外,将混沌算子网络应用于风速时间序列预测分析中,通过调节网络参数改变预测网络的动力学特性,从而实现风速时间序列预测分析。将这两种具有不同机理的预测方法通过优化融合指标函数的方式实现预测结果融合,从而实现风速时间序列的混合预测。仿真结果表明,混合预测方法能够进一步提高风速时间序列的预测性能。

联想神经网络的风速序列预测分析

为了提高风速序列预测的可靠性,针对具有混沌特性的风速序列,构造了一种用于风速序列预测的联想网络。以风速序列的波动性作为相似性测度准则,构造联想网络的存储样本模式,根据存储模式中蕴含的关联信息完成网络的无监督学习,从而完成具有自相似性的风速序列的一步或多步预测分析。与传统前向型神经网络相比,该网络预测机理明确,预测结果唯一,且可一次给出多步预测结果。仿真实验结果表明,该网络的具有良好预测性能,适用于风速序列的动态预测。

基于概率测度变换的风速时间序列建模方法

结合中国东北某实际风电场多年测风数据,分析风电场风速的统计特性,得出多年月内同一时刻风速同样服从Weibull分布。通过概率测度变换衔接实际风速序列与回归分析模型时间序列,基于自回归滑动平均(ARMA)模型,建立单一风电场风速时间序列模型;基于向量自回归(VAR)模型,给出了不同风电场间风速相关性考虑方法,分别给出了模拟风速时间序列的模型及参数。通过对比得知,实际风电场风速数据与模拟得到的风速时间序列具有较好的一致性,基于概率测度变换构建模拟风速时间序列是可行、有效的。

基于SV模型的风速时间序列峰度分析

风速预测是风力发电领域的重要课题之一。风速波动剧烈,预测难度大,深入发掘风速数据波动性特征对于提高风速预测的准确性有积极意义。根据随机波动(SV)模型的峰度分析技术,研究风速时间序列的高峰度特征。基于电力系统领域对峰度的定义,理论推导并证明SV超峰度定理的衍生形式,建立适应风速预测的SV风速模型,模拟风速数据的整体峰度。在分析SV-t族模型的基础上,为选择适当的SV风速预测模型的条件分布类型提供了一种有效方案。实际风电场数据算例分析表明,该方法能有效建立高峰度特征的实际风速模型,对实际风速建模有一定的实用意义。

基于改进一阶马尔可夫链的风速时间序列模型

模拟风速时间序列在含风电场电力系统的规划及评估等领域应用广泛。传统风速序列建模的一阶马尔可夫链模型无法保留时间序列的自相关特性,同时不能反映出实际风速随季节、天气等因素的变化情况。文中通过将一年分为12个时间段及将一日分为4个时段,在传统一阶马尔可夫链中引入了风速的季节特性和日特性;同时,考虑风速与降水量的关联,引入了风速的干湿特性。在此基础上,提出了风速时间序列模拟的改进一阶马尔可夫链模型。仿真结果表明,该改进模型不仅较好地保留了观测风速的自相关特性,而且提高了模拟风速序列的精度。

风速时间序列混合预测方法研究

为改善具有混沌特性的风速时间序列的预测性能,提出一种混合预测方法,利用相空间重构理论实现风速时间序列的重构,通过优化周期轨道函数求取时间序列中蕴含的不稳定周期,利用前一不稳定周期的风速数据对未来风速进行预测.采用神经网络对同一风速序列再进行预测分析,将2种预测结果采用加权求和的方式进行融合,实现风速序列的混合预测,并采用混沌优化算法确定加权参数.仿真实验结果表明:混沌不稳定周期方法能够改善具有混沌特性风速序列的预测性能,混合预测方法能够进一步提高风速序列的预测效果,预测性能优于单一预测方法.

基于时间序列分析的风电场风速预测模型

风速预测是风电场规划设计中的重要工作。因风速序列本身已经具有时序性和自相关性,提出了基于时间序列分析的风电场风速预测模型。为了检验时间序列分析模型的有效性,使用了信息准则AIC(AnInformationCriterion)函数。在算例中,将预测风速的分布特性与实际风速分布特性相比较,验证了文中提出的时间序列模型用于风电场风速预测的可行性。

基于迟滞神经网络的风速时间序列预测

为了改善风速时间序列的预测性能,提出了一种基于迟滞神经网络的预测方法.通过改变神经元激励函数的方式将迟滞特性引入神经网络中,以增强历史输入对当前响应的影响,从而提高有用信息的利用率,提高风速时间序列的预测性能;借助于相空间重构理论构造风速预测训练样本,采用梯度下降法对网络权值进行训练,利用遗传算法对迟滞参数进行优化.仿真结果表明:与传统神经网络及ARMA模型等方法相比,迟滞神经网络能够有效减小风速时间序列的预测误差,提高预测性能.

三维高频风速时间序列波动特性研究

三维高频风速波动特性的研究对于全面、深入地揭示复杂风场流动及演化规律具有重要价值。采用多重分形消除趋势波动分析(MF—DFA)对高性能超声波风速传感器采集的三维风速时间序列进行波动特性分析。研究表明:水平风速和竖直风速均具有多重分形特性,但有着不同的波动结构,在竖直方向上的波动结构要更为复杂;水平方向风速信号的多重分形特性由长程相关性造成,与概率分布关系不大,而竖直方向上风速信号的多重分形特性与长程相关性和概率分布均存在一定的关联。

基于Hurst指数的风速时间序列研究

为研究风速时间序列的长程相关性和自相似性,采用重标度极差分析和去趋势波动分析对风速时间序列进行相关性分析,计算风速时间序列的Hurst指数,并对其进行了功率谱密度分析,计算其谱指数.结果表明,两种方法计算所得Hurst指数都较为接近1,说明风速时间序列具有显著的自相似性和长程正相关性;但R/S分析及DFA所得Hurst指数有所差异,这一差异说明DFA可体现出非平稳风速时间序列的幂率特征.此外,对风速时间序列Hurst指数及谱指数的分析还表明了风速波动具有"1/f噪声"特征.为风速分形混沌特性研究及风速短时预测等提供了理论依据.

基于数据分析和改进Chebyshev神经网络的风速时间序列预测

为提高风速时间序列预测精度,基于风速时间序列的随机性和波动性,提出互补集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和正交粒子群算法(Orthogonal Particle Swarm Optimization,OPSO)优化Chebyshev基函数神经网络的混合风速时间序列预测模型(CEEMD-OPSO-Chebyshev)。利用CEEMD将原始风速时间序列分解成有限个固有模态分量,避免了传统的分解信号重建中冗余噪声残留问题。同时引入排列熵分析各分量内在特性进行聚类,提出基于OPSO优化算法的Chebyshev神经网络风速预测模型,利用OPSO优化预测网络权值,进一步提高预测精度,通过对实际采样的风电场风速时间序列进行预测分析,结果可得所提出的混合预测模型与传统预测模型相比能得到更高的预测精度。

风速时间序列模拟的模型有效性验证及代表性风场实例分析

在风力发电场的合理选址以及风力发电机组的结构设计阶段,能量谱与功率谱模型对于风力发电机组的系统方案有着直接的影响,特别是在具体结构设计阶段选取恰当的功率谱模型是至关重要的,但目前对具体模型的选择依据尚不明确。针对能量谱与功率谱两种重要的风速数据分析模型,以国内五处地区代表性风场的全年风速测试数据为基础,进行了能量谱与功率谱的分析,从分析结果中得出了如下两个结论:①我国东南沿海地区风场的风力资源最为丰富,其有效风能密度区(200~400 W/m^2)持续时间最长;北部地区风场的风力资源也较为丰富,且在高风能密度区(>500 W/m^2)具有一定优势;对于主要风力资源集中在低风能密度区(<200 W/m^2)的部分地区风场,在风力发电设备选型时应该有针对性的进行结构设计,实现低速风力资源的高效利用。②对于具体风场的风速模型选择准则给出了实例验证与建议:Mann功率谱模型表现出与各风场实测数据良好的一致性,应该在进行结构设计时作为主要备选。

基于自适应分形分析方法的风速时间序列标度研究

风速时间序列标度分析可为风能预测等提供决策支持,进而提高风能利用程度。结合工程实例,尝试了将在全局拟合、非线性处理和求解精度等方面表现较优的自适应分形分析方法引入至风速时间序列的标度研究。通过与目前常用的去趋势波动分析方法对比显示两种方法的局部标度指数和全局标度指数均十分接近,验证了在风速时间序列标度研究中使用自适应分形分析方法的可行性。

基于Elman神经网络的短期风速时间序列预测及软件开发

风速预测是风电场规划和电网运行的重要环节,其中风速在不同时间尺度的时间序列预测对风电场前期规划以及发电量预测有着重要意义。设计了一个基于Elman神经网络预测风速时间序列的软件,输入变量包括历史风速、历史风向、历史风功率、历史比湿、历史地面气压、历史温度,选择风速高度、输入节点数,进而可进行神经网络预测。以内蒙古中部地区风速时间序列为研究对象,采用最大Lyapunov指数法分析了时间序列的混沌性,然后基于所设计的软件对该风速时间序列进行了短期预测。结果表明采用Elman神经网络对风速时间序列预测结果误差较小,能有效预测风速。

基于小波变换的短期风速预测综合模型

针对风速序列具有非平稳性、非线性、异方差性的特点,首先利用db3小波对原始风速序列进行多分辨率分析,并对其系数进行单支重构,得到表征风速序列内在特性不同频段上的概貌风速与细节风速;其次对不同频段上的风速序列建立时间序列主模型,采用LM检验法分析所建模型的残差序列,提出用ARCH模型和GARCH模型进行改进,更贴近实际地反应了风速变化的规律;最后通过实例验证该文方法能够有效提高预测精度。