基于小波包变换和峰式马尔科夫链的风速短期预测

利用小波包的信号分析特性及峰式马尔科夫链的非稳态数据预测特性,提出一种新型风速短期预测方法。该方法对历史风速数据进行小波包分解,利用峰式马尔科夫链对小波包系数进行统计,分别得到小波包系数上升转移概率矩阵和下降转移概率矩阵,并由此得到下一时刻的小波包预测系数,将小波包系数进行重构可得到预测的风速。该文模型与其他模型的预测结果对比表明,该方法具有较高精度。

基于遗传优化的最小二乘支持向量机风电场风速短期预测

风电场短期风速的准确预测能为风电并网运行的规划、调度、运行和控制提供及时有效的信息。支持向量机基于结构风险最小化原理,从整体上考虑曲线的平滑度对数据进行拟合,对风速预测时能及时跟踪其变化趋势。针对支持向量参数难以确定问题,采用遗传算法对最小二乘支持向量机惩罚系数C和核参数σ2寻优,在对参数遗传编码时,通过对数变换编码提高了搜索灵敏度,加快了模型收敛速度。最终利用现场连续150h实测风速样本,对其中最后12h进行预测,结果与广义回归神经网络(GRNN)相比,表明LS-SVM有更好的泛化能力,且取得了相对误差绝对值的平均值为8.32%的良好效果。

采用贝叶斯–克里金–卡尔曼模型的多风电场风速短期预测

精确的短期风速预测对可靠安全的电力系统运行很重要。传统的预测方法没有考虑空间相邻风电场的信息。然而,多个风电场的风速在时间和空间上是相关的。该文给出了一个采用贝叶斯克里金卡尔曼模型的短期风速预测方法。由主克里金函数构成的空域结构使用贝叶斯层次结构进行建模,同时应用状态空间模型对时域动态性进行建模。采用计算速度更有效的变分贝叶斯方法来逼近推断和学习模型参数。在公开的多风电场数据集上评估提前1h的风速预测性能,与持续预测算法进行比较的结果显示了该文提出的方法在均方根误差评价指标上的改善。

基于CEEMDAN和BiLSTM-AM的超短期风速预测方法

精准的风速预测结果可以推进风电的高效消纳以及增强新型电力系统的安全稳定性。为进一步挖掘风速序列的非线性特征,提升风速预测精度,提出了一种基于CEEMDAN与BiLSTM-AM的超短期风速预测方法。针对风速的随机波动性,采用自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对风速序列进行分解,转化为一系列较为平稳的子模态,从而降低预测的复杂度;采用具有双向信息流结构的双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)挖掘各分量的变化规律,同时注意力机制(attention mechanism,AM)为神经网络的隐藏层状态分配相应权重,突出长时间序列中的关键信息,并利用贝叶斯优化对模型超参数进行寻优;将各分量的预测结果进行叠加作为最终结果。通过实际算例对比分析可知,该模型在单步与多步预测任务中均展现出良好的预测性能。

基于VMD-ORELM-EC的超短期风速组合预测模型

为提高超短期风速预测的精度,文章提出一种基于变分模态分解(variational mode decomposition,VMD)、离群鲁棒极限学习机(outlier-robust extreme learning machine,ORELM)和误差修正(error correction,EC)的超短期风速组合预测模型VMD-ORELM-EC。首先利用VMD将原始风速序列分解,并对每个分解子序列分别建立ORELM模型,将各子模型预测结果相加得到模型初步预测序列;然后将原始风速序列与初步预测序列相减得到模型的误差序列,并对误差序列进行VMD分解,对分解得到的误差子序列建立ORELM模型,从而得到误差预测序列;最后将模型的初步预测序列与误差预测序列组合得到最终的风速预测序列。利用该文提出的预测模型对北京测风塔实测的风速数据进行分析,结果表明模型可以有效挖掘风速序列特性,在超短期风速预测上具有较高的预测性能。

一种改进组合神经网络的超短期风速预测方法研究

超短期风速预测是保障风电机组桨距角前馈控制实施效果的关键,对提高风电机组环境适应性具有重要影响。为了提高预测精度,提出了一种改进组合神经网络的超短期风速预测方法。该方法选择适合时间序列预测且具有较强非线性学习能力的BP神经网络和长短期记忆(long short-term memory,LSTM)神经网络进行加权组合,以消除单个神经网络可能存在的较大误差;同时,为了提高组合效果,采用差分进化算法对组合权重进行优化。将该方法应用于某风场超短期风速预测中,通过与单神经网络预测、等权重组合神经网络预测的结果对比,验证了所提方法在提高预测精度上的有效性。

基于多特征数据与混合模型短期风速预测研究

为提高短期风速预测的准确性与可靠性,提出了一种考虑多特征数据的新型混合预测模型。模型基于Stacking算法集成自适应模糊神经网络、数据分组预测模型、随机森林回归模型,同时结合时变滤波器改进的模态分解、自适应噪声模态分解完成数据深度二次分解。首先,对多特征原始数据进行数据预处理得到多维子序列矩阵,计算子序列排列熵以此重构子序列矩阵;然后,利用Stacking算法集成混合模型对不同频域范围内的时间序列矩阵完成预测。通过与经典模型对比,表明本文提出的考虑多特征数据的混合模型预测精度和模型稳定性有较大优势。

基于时空库普曼自动编码器的风电场短期风速预测

为了提升以新能源为主体的新型电力系统的风电消纳水平,需要对风速进行精确预测,关键在于提炼风电系统动态趋势与风速序列中潜在的物理结构。依据库普曼动力学理论与自编码器思想搭建物理约束时空神经网络,生成风电场非线性变量的线性演化矩阵。首先,通过线性演化矩阵近似系统趋势,在预测过程中充分考虑前、后向动态。然后,设置双向相关预测机制与适配不同对象的代价函数,降低预测对序列的可逆性、平稳性要求。同时,对特征空间隐向量进行可视化,展现系统内特征区间依赖。最后,借助北票王子山风电场风速实测数据验证所提方法的有效性。结果表明:所提方法对于强随机、强波动的风速序列具有较高的预测精度,泛化能力强,可解释性优越。

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解(SSD)和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。

基于CEEMDAN-GWO-LSSVM的高铁沿线短期风速预测模型

为提升高铁沿线风速短期预测的精度,利用基于自适应去噪完全集合经验模态分解(CEEMDAN)和灰狼优化(GWO)与最小二乘支持向量机(LSSVM)模型对高铁沿线风速进行短期预测。以某高铁沿线每间隔1 min采样的风速数据作为仿真对象展开建模实验并与其他组合预测模型进行比对。结果表明:CEEMDAN-GWO-LSSVM模型可以显著提升风速预测精度和准确性,其中均方误差(MSE)、平均绝对误差(MAE)和均方根误差(RMSE)3项评价指标提升程度分别达71.17%、46.14%和42.49%,均为最高。降低预测过程中产生的误差,为我国高速铁路沿线的短期风速预测研究提供有益借鉴。

基于分形优化的VMD和GA-BP的短期风速预测

该文首次提出基于分形优化的变分模态分解(VMD)和遗传算法(GA)改进的反向传播神经网络(BP)模型的短期风速预测方法。首先使用计盒维数算法优化VMD分解层数,然后针对风速序列的非平稳性,利用优化后的VMD分解原始风速序列得到较平稳风速子序列,最后采用遗传算法改进的BP神经网络分别训练预测各模态分量,并通过叠加所有分量预测值得到最终预测结果。使用该方法对美国某风电场风速进行预测,将预测结果与BP、VMD-ARMA、VMD-LSTM、VMD-BP、基于分形优化VMD-BP模型对比,并选取MAE、RMSE、MAPE这3种评价指标分别评价上述6个模型。结果表明:使用基于分形优化的VMD-GA-BP模型能显著提高预测效果,降低风速预测误差。

基于完备集合经验模态分解的SE-BiGRU超短期风速预测

考虑风力发电具有随机性和不稳定性,为准确预测风速,提出一种基于完备集合经验模态分解和双向门控单元网络相结合的短期风速组合预测方法。首先,采用完备集合经验模态分解,将原始风速序列分解为若干个具有较强规律性的子序列,以减少不同特征尺度序列间的相互影响;然后,利用样本熵来评估风速子序列的复杂度,将复杂度相近的子序列组合为一个新序列,以减少输入到神经网络的模型数量;最后,将新组合的子序列分别输入到双向门控单元网络中进行预测,得到各子序列的预测结果,叠加得最终的风速预测结果。实例预测结果表明,所提出的风速预测方法具有较高的精度和运行效率。

集合选优方法在短期风功率预测中的应用研究

为提高短期风速及功率预测的准确率,减小风电不确定性对电网系统的影响,尝试利用预测窗口期的风速观测进行数值天气预报的集合成员选优,挑选和实际风速更接近的相似预报成员,并构成选优集合进行机器学习模型的训练和测试。相较仅使用集合平均的常规方法,该方法考虑了不同集合成员之间的预报差异,避免了引入误差较大的集合成员,从而有利于改善预报风速偏差。利用不同海拔高度、不同地形特征的河南、甘肃两个风电场中不同集合的表现及敏感性试验结果,确定风电场最佳选优集合数量。相较于集合平均的结果,集合选优方案在不同天气过程中能较好地预报风速的起降,与实际风速更接近,且海平面气压场整体更接近ERA5。对不同风电场进行连续十一个月的风速及功率预测对比试验,结果表明,集合选优方法预报的风速日变化形态和月均风速较原集合平均方法均有改善。分析两个风场不同时长范围、不同速率变化的上坡风和下坡风观测数据可知,在0~2 h及2~4 h内,风速变化为2~4 m/s的个例最多。对比集合平均结果,集合选优方案对于该类型上、下坡风的预测精度均有较为明显的提升。利用机器学习算法对选优集合预报进行训练,能进一步降低风速的绝对偏差和均方根误差,从而有效改善功率预测精度。

基于ARIMA和LS-SVM组合模型的短期风速预测

为了解决电力短期风速预测中存在的周期规律性误差序列问题,提出了一种改进的ARIMA-LS-SVM组合模型。首先分析了电力短期风速预测中的周期规律性误差序列问题,并确定了ARIMA模型作为基础模型。然后,引入最小二乘支持向量机(LSSVM)来修正ARIMA模型的预测误差。LS-SVM是一种非线性回归方法,通过将样本数据映射到高维特征空间,构建一个最优超平面来实现预测。通过对ARIMA模型的预测误差进行修正,可以更准确地预测电力短期风速。采用北京某地风速数据进行实验验证,结果表明,改进的ARIMA-LS-SVM组合模型在对北京某地风速进行预测时表现出了良好的预测精度和推广性。与传统的ARIMA模型相比,改进模型在各项评价指标上均取得了显著提高,验证了该方法的有效性和实用性。提出的改进模型克服了周期规律性误差序列对预测精度的影响,为电力负荷预测和风速预测等相关领域提供了一种有效的预测方法。

基于在线序列极限学习机的风电场短期风速预测研究

为了对风电场的风速进行比较准确的预测,提高风电的稳定性,减轻风电对整个电网的影响,针对风速时间序列的混沌特性,笔者运用相空间重构理论对风速时间序列数据进行相空间重构,提出一种运用在线序列极限学习机算法的风速预测理论。通过与BP神经网络算法相比较,在线序列极限学习机算法的预测精度和预测时间都有一定的提高,说明该算法在短期风速预测上是有效的和可行的。

基于多模式分解和麻雀优化残差网络的短期风速预测模型

为提高风速预测的精度,提出一种基于多模式分解、麻雀优化算法(sparrow search algorithm,SSA)、残差网络(residual neural network,ResNet)和门控循环单元网络(gated recurrent units,GRU)的短期风速预测模型。该模型首先利用小波分解(wavelet transform,WT)、变分模态分解(variational mode decomposition,VMD)和自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)分别分解经过模糊C均值聚类后的风速数据,不同模态分解分量组合为二维矩阵,作为卷积网络的输入数据,实现不同模式分量波动规律的互补;随后,在传统卷积网络结构中增加改进的残差模块,对多模式分解分量进行特征提取,使得深层特征得到显著增强;最后,将特征融合后输入GRU模块,进一步挖掘风速分量在时序上的特征,通过麻雀优化对Res-GRU中的关键参数进行寻优,实现风速预测。实验表明,与传统组合模型相比,所提组合预测模型可以有效提高风速短期预测的准确率。

基于Kmeans-VMD-LSTM的短期风速预测

短期风速具有间歇性、波动性、非线性和非平稳性等特点,具有高度的复杂性,预测难度较大。风速信号可以看成是由复杂度较低、规律较强的简单信号耦合而成,所以可利用分解方法使之分为多尺度的波动分量,降低分量复杂度,增强其规律性,可以提高其预测精度。因此,为了提高神经网络的学习效率,采用Kmeans算法对原始风速数据进行相似日聚类;其次,使用VMD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。通过大量试验和不同方法之间的比较表明,基于Kmeans-VMD-LSTM的组合预测模型可以有效提高风速短期预测的准确率。

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.

基于改进GMDH网络的风电场短期风速预测

基于GMDH神经网络和模糊逻辑理论,对风电场风速预测进行了深入研究,提出了一种改进GMDH神经网络方法。该方法在传统网络的基础上将神经元模糊化并引入反馈环,将GMDH网络的低维计算能力和模糊逻辑的高维推理能力结合起来用于预测。在进行网络训练时,采用指数型能量函数作为目标误差函数,提高了网络收敛速度。通过与BP神经网络及传统GMDH网络的预测结果相比较,表明该改进方法能够有效地提高短期风速预测的精度。

优化遗传算法寻优的SVM在短期风速预测中的应用

针对遗传算法存在的早熟和收敛慢的问题,提出一种融合小生境算法、免疫算法的优化遗传算法。一方面通过疫苗因子引导初始种群的生成,使个体具有某些优秀基因,减少寻优时间,并随数据的更新,提出疫苗因子和参数寻优范围的自适应更新机制。另一方面在种群的进化过程中,通过小生境遗传算法维护种群的多样性。实验结果表明,将基于优化遗传算法寻优的SVM应用到短期风速预测中是可行的,具有较高的预测精度和收敛速度。