ML组合的CYGNSS海面风速反演质量控制模型

卷积神经网络(CNN)可用于气旋全球导航卫星系统(CYGNSS)的海面风速反演。虽然在模型训练前设置了质量控制指标来检测和削弱CYGNSS的异常观测数据,但CYGNSS观测数据中仍存在异常值导致模型反演精度降低,甚至出现错误反演结果。因此,提出一种基于机器学习(ML)组合的海面风速反演模型。在基于CNN回归模型的CYGNSS反演海面风速基础上,ML分类模型生成CNN回归结果的质量标志位,该标志位可以检测并删除CNN回归结果的异常值,进一步提高风速反演结果的数据质量,ML分类模型能够更好地考虑各种数据误差之间的相互作用,而不是单独使用每个条件的阈值,以达到更优的海面风速反演精度的效果。实验对比了Logistic回归(LR)、决策树(DT)、朴素贝叶斯模型、K最邻近(KNN)算法、神经网络(NN)模型、支持向量机(SVM)算法等6个分类模型,其中,基于KNN算法的分类模型对风速反演质量控制的效果最优。所提风速反演组合模型显著提高了反演结果的精度,在0~20 m/s区间内,异常样本过滤率为81.27%,在所有被过滤的数据中,过滤正确率为86.03%;风速反演误差的均方根误差从无ML分类模型的1.7 m/s降低到有ML分类模型的1.44 m/s,其中,训练样本为0~10 m/s的反演结果精度提升效果较为明显,证明了所提风速反演组合模型对风速质量控制的有效性。

基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型

针对风电场短期风速预测准确度不高的问题,提出一种基于互补集成经验模态分解和Stacking融合的短期风速组合预测模型。首先,为突出短期风速的局部特征并降低建模难度,通过互补集成经验模态分解算法将短期风速分解为若干个稳定分量。然后,利用信息熵和近似熵来判定各分量的复杂度,高复杂度分量选择最小二乘支持向量机、低复杂度分量选择随机配置网络作为对应的预测模型。利用Stacking算法对每个模型的预测值进行融合,使预测精度得到提升。最后,通过一组实际的短期风速数据作为研究对象,将提出的预测模型应用于其预测。对比结果表明,所提预测模型可提高短期风速的预测精度。

组合风速模型研究与模拟

主要介绍了随机变量可以分解成的4个分量,以及这4个分量在变量发生随机变化时的主要作用。并将这一原理移用到风速标量中(暂时忽略风向矢量),使1个随机的风速模型分解为基本风、随机风、阵风、渐变风4个分量,代表了风速模型的稳定性、随机性、突变性和渐变性,并以表达式定义了各个分量,且以1个简单的示例模拟了一段短暂时间的风速模型。

一种新型的风电功率预测综合模型

引入信息论中的最大信息熵原理,在各种单一预测模型的基础上,提出了一种新的基于最大信息熵原理的综合预测模型。该模型将各种单一模型的预测结果以及它们的历史预测误差作为约束信息,利用最大信息熵原理得到各种单一模型预测结果的权重,进而得到综合模型的风速预测结果。再根据每一台风机的历史风速和功率的数据拟合得到的风速-功率特性,最终得到风电功率预测结果。通过对一个实际风电场的不同风机在不同时间段进行风电功率预测,结果表明,综合模型预测优于单一模型和组合模型预测,风速综合预测模型的误差为15%～20%,风电功率预测误差为25%～30%,模型具有一定的实用价值。

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。

风电场风速的神经网络组合预测模型

针对BP神经网络、RBF神经网络和粒子群BP神经网络在风电场风速预测中存在的问题,提出一种基于遗传算法优化神经网络的风速组合预测模型。该模型为单输出的3层前馈网络,将3种神经网络的预测结果与预测结果平均值作为神经网络的输入,将实际风速值作为神经网络输出,使学习后的网络具有预测能力。该模型能降低单一模型的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一模型,也高于传统的线性组合预测模型。

风电场短期风速预测方法研究

随着风力发电的快速发展,并且风力发电系统的出力与风电场风速存在着的特殊关系,使得对风电场的风速实现较准确的预测已逐步成为研究的热点。该文先提出一种简单的的风速预测方法,即将指数平滑法应用到风速预测,并验证了指数平滑法预测风速的可行性。此外,为了提高预测精度,还提出了两种新的组合预测的方法,即基于指数平滑和灰色模型(GM)的组合预测方法、基于自回归滑动平均(ARMA)模型和灰色模型的组合预测方法。实例计算结果表明,组合预测方法比单独的用一种方法的预测效果要好,尤其是基于自回归滑动平均模型和灰色模型的组合预测方法更具有优势。

基于经验模态分解和支持向量机的短期风电功率组合预测模型

针对风速序列随时间、空间呈现非平稳性变化的特征,提出一种基于经验模态分解（empirical mode decomposition,EMD）和支持向量机（support vector machine,SVM）的EMD-SVM短期风电功率组合预测方法。该方法首先利用EMD将风速序列分解为一系列相对平稳的分量,以减少不同特征信息间的相互影响;然后利用SVM法对各分量建立预测模型,针对各序列自身特点选择不同的核函数和相关参数来处理各组不同数据,以提高单个模型预测精度。最后将风速预测结果叠加并输入功率转化曲线以得到风电功率预测结果。研究结果表明,EMD-SVM组合预测模型能更好地跟踪风电功率的变化,其预测误差比单一统计模型降低了5%~10%,有效地提高了短期风电功率预测的精度。

采用改进模糊层次分析法的风速预测模型

针对风速具有较强随机性的特点,提出一种基于改进模糊层次分析法的风速预测组合模型。以风速预测周期、风速的振荡性及预测者对预测模型的信赖度为目标准则;通过模糊判断矩阵的方法确定组合模型的最优权重。该组合模型可以综合考虑影响风速预测的多种不确定性因素,在综合不同模型预测结果的基础上引入专家经验。算例分析表明,该组合预测模型的预测结果与传统的单一预测模型相比,误差更小,精度更高。

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。

基于CEEMDAN-PE和QGA-BP的短期风速预测

为了提高风电场短期风速预测的精度,提出了一种基于自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵(PE)和量子遗传算法(QGA)优化BP神经网络的短期风速预测模型。首先采用CEEMDAN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,为了减少计算规模,对分解得到的各个分量序列分别计算排列熵,将熵值相近的分量进行叠加形成新的序列;最后,针对BP神经网络在初始化权值和阈值的选取上存在随机性的问题,采用QGA对BP参数进行优化,分别对每个新的序列进行预测并将预测结果进行叠加得到最终的预测值。实例仿真结果表明,该组合模型提高了预测的精度,减小了误差,具有实际意义和工程应用价值。

改进Bayesian后验比的异常风速值检测方法

风电场运行数据中含有异常风速值,为了优化风电数据的质量,提出了组合预测与Bayesian后验比的异常值检测方法。为了降低预测误差,先对风速序列建立Adaboost-BP网络和EMD-LV-SVM的组合预测模型,利用预测值与测量值的偏差得到含有粗大误差的残差序列;为了提高检测方法的可靠性,采用Bayesian后验比的检验方法识别残差序列中粗大误差,从而确定异常风速值的位置,并利用ARIMA方法修正异常风速值。RBF预测结果表明,所提方法能准确识别异常值,从而提高了风电场短期风速预测精度。

基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。

基于模糊层次分析法的风速短期预测组合模型

针对风速预测的特点以及人为判断的模糊性,为提高风速预测精度,文中提出了基于模糊层次分析法的风速预测组合模型。该模型以风速预测周期、风速的震荡性与预测者对预测模型的信赖度为目标准则;考虑到专家判断的模糊性,采用三角模糊数来表征专家判断信息,并通过层次分析法对专家判断结果进行处理得到各方案的最优权重。该组合模型综合考虑影响风速预测的多种不确定性因素,在综合不同模型预测结果的基础上引入专家经验。实际算例表明,该组合模型能有效提高风速预测的精度。

基于ARMA-ARCH模型和BP模型的短期风速组合预测方法研究

随着风力发电的大规模并网,由风速的波动引起的网侧不稳定现象越来越显著。为了提高风电场风速预测的精度,首先建立了ARMA模型,利用拉格朗日乘数法检验ARMA模型残差的条件异方差效应,从而建立ARMA-ARCH模型;其次建立BP神经网络预测模型;最后分别以固定权和时变权方差-协方差(MV)法将ARMA-ARCH模型和BP模型进行优选组合预测。为验证模型的适应性,分别以西班牙某风电场2016年8月和2017年1月的风速数据进行建模仿真。仿真结果表明:组合预测模型的预测结果更优,且时变权组合预测精度更高;对于单一模型来说ARMA-ARCH模型的预测精度要高于BP模型,而ARMA模型的预测精度最低。

基于MMAS-BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。

基于集合经验模态分解的神经网络短期风速组合预测研究

针对风速的随机性和不稳定性,提出了基于集合经验模态分解的人工神经网络(Artificial Neural Network,ANN)组合预测模型。首先采用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)将信号分解,产生一系列特征互异的本征模态函数(Intrinsic Mode Functions,IMF)。之后计算各本征模态函数的样本熵(Sample Entropy,SE),将随机性相似的相邻分量重新组合,提高运算效率。并采用相空间重构(Phase Space Reconstruction,PSR)确定了预测模型输入层节点个数。最后,对于随机性高的分量采用神经网络组合预测模型,其余分量分别建立单一径向基函数神经网络直接预测,将各新模态分量预测结果叠加得到最终预测值,实现风速短期预测。仿真结果表明,文章提出的组合预测模型具有较高的预测精度。

海洋风速动态仿真及其在平台模拟系统中的应用

针对海洋平台模拟系统中海上风速的动态仿真要求,综合分析多种风速模型,开发了海洋风速动态仿真模型。该模型在组合风速基本模型基础上加以改进,加入海上不同高度风速计算以及海面波浪状态等因素,并导入了无参数化随机风模拟方法。在开发模拟程序、选定参数的基础上,进行了海上随机风仿真模拟,模拟过程快速且结果较为真实,模拟效果良好,并实际应用于海洋平台模拟系统的随机风模拟中。

基于EEMD-GRU网络模型的短期风速预测

为了克服因风速信号固有的震动性、非线性特性引起的预测精度不高的问题,本文提出了使用集合经验模态分解算法和门控循环单元两种方法相结合的组合模型对风速进行预测.该模型首先对数据进行归一化处理,使用孤立森林算法,剔除异常点,然后用EEMD (ensemble empirical mode decomposition)方法,将风速拆分成不同尺度的信号,消除数据的非平稳性,将分解得到的相对平稳的分量信号分别送入GRU (gated recurrent unit)模型进行训练,获得各自的预测结果,最终风速由所有分量各自预测的结果累加得到.实验中采用实地采集数据进行实验,结果证实, EEMD-GRU方法相较于目前主流的EEMD-LSTM、EMD-LSTM等方法,预测精度有明显提升.