基于VMD-LSTM的超短期风向多步预测

[目的]为准确预测未来4 h风向,提出一种基于VMD-LSTM(Variational Mode Decomposition-Long Short-Term Memory)的超短期风向多步预测方法。[方法]采集明阳智能某风电场3个风电机组的风向序列,对其进行预处理及时序分析;基于自相关函数(Autocorrelation Function,ACF)计算风向不同时期的相关性,以选取风向序列的特征长度;采用变分模态分解(Variational Mode Decomposition,VMD)将风向序列分解为相对稳定的模态信号,通过最小样本熵确定分解的子模态数,并对分解后的模态信号分别建立预测模型,进行超短期风向24步预测;重构风向序列,叠加各分量预测结果。[结果]结果表明,VMD-LSTM在4个季度的24步风向预测的绝对平均误差(Mean Absolute Error,MAE)、均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)分别为8.430°、16.870°、9.155,且在每个季度不同时间尺度的各个误差评价指标均优于其他常见的数据建模方法。[结论]所提算法可满足风电场的实际生产中优化控制偏航角的要求。

基于VMD-SE和机器学习算法的短期风电功率多层级综合预测模型

针对风电功率受自然环境变化影响,难以建立精确数学模型对其进行预测的问题,采用一种新型的可变模式分解(variational mode decomposition,VMD)技术,将原始风电功率序列分解为一系列有限带宽子模式以降低其不稳定性,根据子模式的样本熵(sample entropy,SE)分析其复杂度并重组得到子序列。在此基础上,结合3种不同的机器学习基模型,提出一种基于VMD-SE和基模型的自适应多层级综合预测模型,并采用一种基于混沌萤火虫结合仿真鸡群优化的智能算法,对其权重矩阵进行实时调整。仿真结果表明,基于VMD的组合模型较采用聚类经验模式分解时预测精度明显提高,且所提综合模型的预测精度较组合模型有了进一步的改善。因此,所提综合模型能有效提高短期风电功率多步预测的准确性。

一类非平稳随机过程未来变化趋势的多步实时预报

本文在回避建立过程加速度模型这一传统方法的前提下 ,提出了一类非平稳随机过程未来变化趋势的多步实时预报模型 ,并对高斯白噪声背景下过程变化的共性进行了研究 。