《研究和应用一种基于可变重量的短期风速预测模型》

  • 来源专题:可再生能源
  • 编译者: pengh
  • 发布时间:2017-10-17
  • 风速预测在风力发电厂和电力系统的运行中扮演着重要的角色。然而,由于风速数据包含随机非线性序列,因此很难获得令人满意的预测结果。目前的一些统计模型在预测非线性时间序列方面并不熟练,而人工智能模型常常落入局部的最佳状态。基于这些原因,结合基于分解方法和优化算法的混合模型,成功地利用多步速预测的变加权组合理论,成功地开发出了一种新颖的组合预测模型。在此模型中,提出了三种不同的混合模型,并进一步改进预测性能,采用改进的支持向量回归方法,将各混合模型得到的结果综合起来,得到最终的预测结果。摘要以中国蓬莱为例,以10分钟为例,验证了该预测模型的预测效果。实验结果表明,该模型不仅优于其他基准模型,而且可以较好地应用于智能电网的规划中。

    ——文章发布于2018年2月

相关报告
  • 《基于重复小波变换的ARIMA模型用于非常短期的风速预测》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2019-01-16
    • 随着风电系统集成程度的提高,准确的风速预测技术是电网安全可靠运行的必要条件。自回归综合移动平均(ARIMA)等统计方法和基于小波变换(WT)的混合方法ARIMA (WT-ARIMA)模型是近年来在风速短期和极短期预测中较为流行的技术。然而,不同分解时间序列的预测误差对最终风速预测误差的贡献尚未分析。因此,本文探讨了ARIMA模型和WT-ARIMA模型在风速预测中的不足,提出了一种新的基于重复WT的ARIMA (RWT-ARIMA)模型,提高了非常短期风速预测的准确性。将提出的RWT-ARIMA模型与基准持续性模型进行了非常短期风速预测、ARIMA模型和WT-ARIMA模型的比较,对[Math Processing Error]1min、[Math Processing Error]3min、[Math Processing Error]5min、[Math Processing Error]7min、[Math Processing Error]10min等不同时间尺度的预测进行了比较。通过比较,证明了本文提出的RWT-ARIMA模型在非常短期风速预测中的优越性。 ——文章发布于2019年1月14日
  • 《使用经验模式分解和特征选择进行短期风速预测》

    • 来源专题:可再生能源
    • 编译者:董璐
    • 发布时间:2016-06-16
    • 由于风速度时间序列的非线性、 非平稳特性,通常很难由单一预测模型对这种序列进行建模和预测。在本文中,为了进行短期风速预测,提出了两种新型的混合动力模型,这两种模型结合经验模态分解 (EMD),人工神经网络 (ANN) 的特征选择以及支持向量机 (SVM)。首先,原始风速度时间序列被EMD分解成一套子系列。接着,由所有子系列和原始系列构成初始特征 (输入变量) 和目标。然后,为了构造相关的、翔实的功能,引入了一种特征选择过程。最后,使用这些选定的功能,建立了预测模型 (ANN或SVM)。用从三个中国的风力场中记录得到的真实数据集对所提出的模型的有效性进行评估。实验结果表明,与单一神经网络、 支持向量机、 传统的基于 EMD 的ANN和传统的基于 支持向量机的EMD 相比,所提出的模型有令人满意的性能,它适合风速预测。