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。

风速时间序列混沌判定方法比较研究

混沌识别是对非线性时间序列进行混沌预测的前提。针对时间序列风速确定性与随机性相结合的复杂非线性特征,研究了不同的混沌识别方法,并对风速时间序列进行混沌特征识别。应用随机噪声、周期运动及经典混沌系统的时间序列对所选方法进行可靠性验证。对美国国家风能研究中心M2测风塔实测时间序列风速数据进行非线性混沌特征识别。结果表明：风速时间序列具有明显的混沌特征;各风速时间序列表现出不同程度的混沌特征;各混沌识别方法对风速时间序列混沌特征的表达形式不同,互为补充,相互验证。

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。

基于高斯过程回归的短期风速预测

准确预测风速能有效减轻风电场对整个电网的不利影响,提高风电场在电力市场中的竞争能力。为了提高风速预测的精度,提出一种基于高斯过程(Gaussian processes,GP)的风速预测模型。首先运用自相关法和假近邻法分别求取风速时间序列的延迟时间和嵌入维数,进而对混沌风速时间序列进行相空间重构。其次运用GP模型对重构后的风速时间序列进行训练,同时在贝叶斯框架下,确定协方差函数中的"超参数"。最后利用训练好的GP模型风速时间序列进行预测,并与支持向量机、最小二乘支持向量机和BP神经网络进行比较。仿真结果表明,基于GP的风速预测模型具有很好的稳定性,能够满足预测精度的要求,具有很大的工程实际应用价值。

基于混沌相空间重构理论的风电场短期风速预测

风力发电具有波动性、间歇性和随机性的特点,大容量的风力发电接入,会对电力系统的安全、稳定运行带来严峻挑战,进行短期风速预测对并网风力发电系统的运行具有重要意义。根据风速具有混沌特性,采用相空间重构理论对短期风速进行预测。由嵌入时间窗Γ和m、τ的关系,确定了m和τ的多组可行匹配,并找出一个最佳匹配进行相空间重构。在选取参考点时既考虑相点欧式距离又考虑其空间及时间上的相关性,有效克服'伪邻近点'的影响,提高了预测精度。预测模型采用了一阶局域预测模型和BP神经网络两种模型。算例分析结果验证了所提出方法的可行性和有效性。

基于PSO优化LSSVM的短期风速预测

为了提高风电场风速短期预测的精确性,提出了基于粒子群算法优化最小二乘支持向量机的预测方法。首先求出风速时间序列的嵌入维数和延迟时间,进而对混沌风速时间序列进行相空间重构。利用粒子群算法对最小二乘支持向量机进行参数优化,然后利用优化后的最小二乘支持向量机模型对相空间重构后的风速时间序列进行预测,预测结果表明基于粒子群优化的最小二乘支持向量机的预测效果满足了精度要求。同时运用了支持向量机和BP神经网络模型进行预测,仿真结果表明,基于粒子群优化的最小二乘支持向量机预测方法具有预测精度高,预测速度快的优点,因此具有很高的工程实际应用意义。

基于非参数核密度估计的风速短期相依模型

基于非参数核密度估计和时序Markov理论,建立模拟风电场风速的短期时序相依模型。首先由非参数多变量核密度估计理论给出相邻时刻风速的联合概率分布;然后根据Markov理论建立风速时序相依模型。采用该模型模拟产生风速序列,并与历史风速进行对比,结果表明,模拟风速序列可较好地保持历史风速的短期相依性。

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测。对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量。对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值。仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性。

基于相空间重构的风速和风功率超短期预测

风速为随机变化的量,风电机组的输出功率具有波动性,大量风电并网将会对电力系统的安全、稳定运行及电能质量带来严峻挑战,因此风电场的风速和发电功率预测在风电场的调度和管理中起着重要的作用。根据风速具有混沌特性,讨论运用C-C方法对混沌时间序列的相空间进行重构,并对某风电场10台机组的相空间进行重构,采用加权一阶局域预测模型,得到1 h内的短期风速预测值,利用功率曲线转换法得到每台机组的发电功率。经实例证明所提出的方法是可行和有效的。