CN103400052B - 一种风电场短期风速组合预测方法 - Google Patents
一种风电场短期风速组合预测方法 Download PDFInfo
- Publication number
- CN103400052B CN103400052B CN201310370572.4A CN201310370572A CN103400052B CN 103400052 B CN103400052 B CN 103400052B CN 201310370572 A CN201310370572 A CN 201310370572A CN 103400052 B CN103400052 B CN 103400052B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- sequence
- particle
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明涉及一种短期风速组合预测方法,包括步骤:1.从相关数据采集与监视控制系统中提取历史风速数据;2.对提取的风速数据采用聚类经验模态分解进行序列分析;3.对聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型,并采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机预测效果的三个参数进行综合选取;4.根据最小二乘支持向量机学习效果选用最优参数进行预测;5.叠加各子序列的预测结果,得到风速预测结果;6.对风速预测结果进行误差分析。本发明建模过程简单实用,能快速有效的进行风速预测,从而有效进行风功率预测,对电力系统的安全稳定和调度运行具有重要意义,具有广泛的推广应用价值。
Description
技术领域
本发明涉及一种短期风速组合预测方法,尤其是涉及一种风电场短期风速组合预测方法。
背景技术
风能作为一种绿色能源日益受到世界各国的重视并得到迅猛发展。然而风能固有的间歇性和波动性等特点却给电力系统带来了诸多挑战,如果能对风电场风速进行有效预测,则有利于调度部门及时调整调度计划,减少电力系统旋转备用和运行成本,减轻风电对电网的影响,为风电场参与发电竞价奠定基础,具有重大的经济和工程应用价值。
目前国内外对风速预测进行了大量研究,建立的预测模型主要包括:时间序列模型、人工神经网络模型、支持向量机模型和最小二乘支持向量机模型等。其中最小二乘支持向量机采用二次规划方法将传统支持向量机中的不等式约束变为等式约束,提高了收敛精度,具有较好的非线性拟合能力。然而风速本身具有典型的非线性和非平稳性特征。如果只使用最小二乘支持向量机建立预测模型,虽然能对风速的非线性部分进行较好的拟合,但是风速的非平稳性却会在一定程度上影响预测结果。
为了进一步提高预测精度,需有效降低风速序列信号的非平稳性。目前应用于降低风速信号非平稳性的方法主要有小波分解(wavelet decomposition,WD)和经验模态分解(empirical mode decomposition,EMD)。WD需人为设置小波函数,EMD则容易引起模态混叠现象。聚类经验模态分解(ensemble empirical mode decomposition,EEMD)以噪声辅助信号处理为基础,通过加入小幅度白噪声来均衡信号,有效解决了经验模态分解的模态混叠现象,是对传统经验模态分解的巨大改进,同时其自适应的信号处理特点减少了人为因素对分解结果的影响。
在对风速进行聚类经验模态分解后,需要进一步对各分量特征进行挖掘。以避免学习样本信息丢失和预测模型维数选取的随意性等问题。传统的序列特性挖掘方法主要有相空间重构法(phase space reconstruction,PSR)和Box-jenkins法。相空间重构可有效挖掘风速序列的非线性动力学特性,Box-jenkins法可有效挖掘风速随机性特征。这两种方法的优点是能为模型提供较高质量的学习样本,缺点是虽然为预测模型提供了高质量的学习样本,然而模型对样本的学习效果却不知道,这在一定程度上会增大预测风险。针对这个缺点,本发明专利基于预测模型学习效果反馈机制来优化模型学习样本。
从研究风速序列的特性出发,本发明提出了一种基于聚类经验模态分解(EEMD)和最小二乘支持向量机(LSSVM)的风电场风速组合预测模型。首先使用聚类经验模态分解将风速信号中真实存在的不同尺度趋势或波动逐级分解出来,然后对分解得到的子序列分别构建最小二乘支持向量机预测模型,并基于自适应扰动粒子群算法和学习效果反馈机制综合优化预测模型。最后将各子序列预测结果叠加得到风速预测值。
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种风电场短期风速组合预测方法,其特征在于:包括以下步骤:
步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录,并保存历史风速序列数据;
步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解,得到两个以上的子序列和一个余量;
步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型,采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取,该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数;
步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测,并将各子序列的预测结果进行叠加,得到风速预测结果;
本发明创造性的提出一种直接考虑相关历史风速数据与未来风速预测值的关系、建模方法简单的风电场短期风速组合预测方法,是一种基于聚类经验模态分解和最小二乘支持向量机的新型风电场风速组合预测模型。首先使用聚类经验模态分解降低风速信号的非平稳性,其次对聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型,并采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机预测效果的三个参数(模型输入维数和两个超参数)进行综合选取;然后根据最小二乘支持向量机学习效果选用最优参数进行预测,并叠加各子序列的预测结果,得到风速预测结果;最后对风速预测结果进行误差分析。本发明所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。
在上述的一种短期风速组合预测方法,所述步骤2中,对采集的风速序列进行聚类经验模态分解包括以下三个步骤:
步骤2.1、向风速序列中加入白噪声序列;加入的白噪音信号服从(0,(αε)2)的正态分布,其中ε为信号的标准差,α为噪音的强度参数;然后使用经验模态分解将加入白噪声的风速序列分解为若干个子序列和一个余量;
步骤2.2、重复步骤1共n次,每次随机加入服从(0,(αε)2)的正态分布的白噪声序列,其中ε为信号序列的标准差,α为序列的强度参数;应当注意的是,随机加入的白噪声只需要符合正态分布,但是每次加入的白噪声不能相同;
步骤2.3、将n次分解得到的若干个子序列分别求整体平均,得到原信号的若干个最终子序列。
在上述的一种短期风速组合预测方法,所述步骤2中,所述步骤3中,采用自适应扰动粒子群算法和模型学习效果反馈优化最小二乘支持向量机的具体步骤如下:
基于定义:风速做为一组随机序列,下一时刻的风速与之前m个序列相关,即对于t时刻风速x(t),与之前m个时刻的风速有关,即存在这样的关系:x(t)=f(x(t-1),x(t-2),…,x(t-m)),定义3≤m≤12,即下一时刻的风速与之前3到12个时刻的风速序列数据有关,则综合选取过程如下:
步骤3.1、初始化参数并设定最大迭代次数,包括粒子群算法的参数和初始化输入维数3,初始化的粒子群参数包括:种群规模m,维数D,权重系数wmax和wmin,加速常数c1和c2,最大进化代数Tmax以及适应度方差阀值;
步骤3.2、基于自适应扰动粒子群算法优化最小二乘支持向量机模型;
步骤3.3、对优化后的模型,以训练数据均方差为标准检验模型学习效果;
步骤3.4、判断是否结束,即是否达到最大迭代次数,是,比较并输出最佳学习效果情况下的维数及LSSVM超参数;否,维数加1并转到步骤3.2;
步骤3.5、以学习效果最佳情况下的输入维数和LSSVM超参数建模进行风速预测,并进行误差分析。
在上述的一种短期风速组合预测方法,所述步骤2.1中,经验模态分解的步骤如下:
步骤2.1.1、求得风速时间序列{X(t)}中所有的极大值和极小值,采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t);
步骤2.1.2、计算上下包络线平均值m(t),其中m(t)=[bmax(t)+bmin(t)]/2,提取h(t)=X(t)-m(t),判断h(t)是否满足如下两个固有模态分量条件:
满足条件一,整个固有模态分量序列中的零点数与极点数至多相差1个;
满足条件二,在任意点,由局部极小值点定义的包络线和局部极大值点定义的包络线均值为0;如果满足,则h(t)就是第一个固有模态分量;
步骤2.21、如果不满足步骤2.1.2中的两个条件,则将h(t)作为原始序列重复步骤2.1.1和步骤2.1.2,直到经过n次筛选后的差值hn(t)满足固有模态分量条件,称为一个IMF,记为c1(t)=hn(t);
步骤2.1.4、得到c1(t)后,根据式一从信号X(t)中得到剩余分量r1(t);
r1(t)=X(t)-c1(t) 式一;
步骤2.1.5、将r1(t)重复上述步骤2.1.1-2.1.5得到其余的IMF分量,当余量rn(t)为单调函数时终止。
在上述的一种短期风速组合预测方法,所述步骤3.2中,自适应扰动粒子群算法优化最小二乘支持向量机超参数具体步骤如下:
步骤3.2.1、对风速序列进行归一化整理;采用最大最小法对模型学习样本和测试样本进行归一化处理:
式二中:是序列{X(t)}中某一变量数据x(t)归一化后数据,xmin为序列{X(t)}中该变量最小值,xmax为{X(t)}中该变量最大值;
步骤3.2.2、粒子群参数设置及种群初始化:设定的参数包括种群规模m=30,维数D,惯性权重wmax和wmin,加速常数c1和c2,最大进化代数Tmax,适应度方差阀值β;
步骤3.2.3、以均方差作为适应度函数,评价粒子适应度值并记录全局极值和个体极值,均方差表达式如式三所示,第i个粒子当前点设为最优位置pid,所有粒子中最优者设为种群最优位置pgd;
式中:为拟合值,yi为实际值,p为样本数;
步骤3.2.4、计算种群的适应度方差σ2,如果σ2<β则判断出现早熟,转步骤3.2.5;否则,转步骤3.2.6;
步骤3.2.5、对粒子位置进行扰动;
步骤3.2.6、更新各个粒子的速度和位置,得到新种群;
步骤3.2.7、计算新种群各粒子适应度值,并与其历史最优位置和种群的历史最优位置作比较,若更优,则替换,否则,保持不变;
步骤3.2.8、检查是否满足寻优结束条件,即是否达到Tmax,是,则输出最优解;否,则转步骤3.2.3。
因此,本发明具有如下优点:1.本发明直接考虑相关历史数据与为来风速的关系,建模方法简单易行;2.本发明适应性强,可作为一般风电场的风速预测模型;3.本发明的实现成本低,易推广。
附图说明
图1是本发明步骤中涉及的模型学习效果反馈流程示意图。
图2是本发明步骤中涉及的自适应扰动粒子群算法优化最小二乘支持向量机流程示意图。
图3为本发明的整体建模流程示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
首先,介绍一下本发明涉及到的相关理论基础。
1.聚类经验模态分解原理。
经验模态分解可以将非平稳信号按不同尺度的波动或趋势逐级分解成若干个本征模态分量IMF,每个IMF须满足以下两个条件:(1)信号的零点数和极值数最多相差1个;(2)均值趋近于0。
对于风速序列{X(t)},经验模态分解步骤如下:
1)确定序列{X(t)}中所有的极大极小值。采用三次样条函数拟合上下包络线,并计算上下包络线平均值m1,求出原始信号序列与包络线平均值m1的差值h1。
2)判断h1是否满足IMF条件,满足则h1就是求的第一个IMF分量,不满足则将h1作为原始序列重复步骤1),直到经过k次筛选后的差值h1k(t)满足IMF条件,称为一个IMF,记为c1(t)=h1k(t)。
3)从原始信号中分离出c1(t),得到剩余分量r1(t):
r1(t)=X(t)-c1(t) (A1)
4)将r1(t)作为新的原始序列,重复上述步骤可得到其余的N-1个IMF分量和1个余量,当余量rN(t)为单调函数时终止,经过EMD分解的原始信号可以表示如下:
式(A2)中,cn(t)为IMF分量,rN(t)是余量。
经验模态分解易出现模态混叠现象,造成IMF物理意义上的缺失。聚类经验模态分解可以有效的利用噪声特性来消减模态混叠现象。
EEMD的信号分解步骤如下:
1)向目标序列中加入白噪声序列;加入的白噪音信号应服从(0,(αε)2)的正态分布,其中ε为信号的标准差,α为噪音的强度参数。然后使用EMD将加入白噪声的序列分解为若干个IMF和一个剩余分量;
2)重复步骤1共n次,每次加入的白噪声序列不同;
3)将n次分解得到的本征模函数分量均值作为最终的结果。
2.最小二乘支持向量机预测模型。
2.1最小二乘支持向量机回归预测原理。
最小二乘支持向量机是支持向量机的改进和扩展,LSSVM以最小二乘线性系统作为损失函数,使用等式约束代替常规SVM的不等式约束,将二次转化问题转化为线性方程组的求解问题。其回归预测原理如下:对于样本集(xi,yi),i=1,2,…,l,x∈Rl,y∈R。其中xi为第i个输入向量,yi为第i个输出,非线性映射φ(·)将样本映射到特征空间中,则LSSVM的回归模型可以表示为:
f(x)=HT·φ(x)+n (A3)
其中,H和n为需要确定的参数,确定H和n等价于下面目标函数最小化:
式中,G1为损失函数,c为调节因子。此时最优问题可表示如下:
相应的Lagrange函数为:
其中,αi≥0为Lagrange乘子,ei为误差。根据Karush-Kuhn-Tucker(KKT)条件: 即可得到下式:
消去H和ei后,得到式(A8),
最终得到回归函数为:
式中,K(x,xi)=φ(x)Tφ(xi)为一个满足Mercer条件的核函数。核函数的选择会影响到模型性能。所以在LSSVM预测模型建立过程中,选择合适核函数是最重要的工作之一。
2.2核函数的选择
最小二乘支持向量机常用的核函数有线性函数、多项式核函数、感知器函数和径向基函数等。径向基函数具有较宽收敛域和较强泛化能力,是较为理想的回归核函数,所以本文选择径向基函数作为LSSVM核函数,径向基函数表达式为:
K(xi,xj)=exp(-||xi-xj||2/(2σ2)) (A10)
式(A10)中σ为核宽度。在基于径向基核函数的LSSVM的回归模型中,调节因子c和核参数σ2是影响LSSVM回归性能的两个超参数。为提高模型的预测精度,避免人为选择参数盲目性,需要对模型参数(超参数和输入维数)进行优化。
3自适应扰动粒子群算法
3.1粒子群算法
粒子群算法是一种通过跟踪两个极值来迭代更新自己的位置的智能算法,这两个极值一个是粒子个体极值(用pid表示),另一个是种群极值(用pgd表示)。第i个微粒在D维搜索空间中第t步搜索时的速度表示为Vt i=(vi1,vi2,...,viD)T,位置表示为Xt i=(xi1,xi2,...,xiD)T。粒子根据式(A11)和式(A12)来更新自己的速度和位置。
vt+1 id=wtvt id+c1r1(pid-xt id)+c2r2(pgd-xt id) (A11)
xt+1 id=xt id+vt+1 id (A12)
式中:wt称为惯性权重,c1、c2是学习因子。r1和r2为(0,1)之间均匀分布的随机数,惯性权值系数wt影响算法搜索性能。本专利运用混沌惯性权值对wt进行修正,wt可表示为:
wt=wmin+(wmax-wmin)z(t) (A13)
其中,z(t)=μz(t-1)(1-z(t-1)),式(A13)中,μ=4,z(1)=0.8。其中wmax为wt最大值,wmin为wt最小值。本专利称上述算法为基本粒子群算法。
3.2自适应扰动粒子群算法
粒子群算法经惯性权重改进可取得相对较好效果,然而却无法避免其自身的早熟收敛问题。在整个迭代过程中,粒子群中的粒子朝种群极值方向靠近,若遇到局部极值点,粒子速度便很快下降为零而停止运动,导致算法过早收敛而陷入局部极值。而粒子位置决定着粒子的适应度大小,因此,根据种群中所有粒子适应度方差[18]可判断出种群是否陷入了早熟。设第i个粒子当前的适应度为fi,种群当前的平均适应度为定义种群的适应度方差σ2为:
其中,q为种群粒子数目,f为归一化定标因子,用来限制σ2的大小,取值采用如下公式:
随着迭代次数的增加,种群中粒子会越来越接近,σ2就会越来越小。当σ2<β(β为给定阈值)时,种群会陷入局部最优。此时需对粒子施加一定的扰动,使粒子获得新的搜索位置,从而一步步跳出局部最优,判断陷入局部最优的粒子位置更新公式修正为:
xt+1 id=xt id-χvt+1 id (A16)
其中χ为扰动因子,取(0,1)之间的随机数。本专利称为自适应扰动粒子群算法。
下面是本发明的具体实施例的建模过程。
本发明的建模整体流程图如附图3所示。具体步骤如下:
步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录,并保存历史风速序列数据;
步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解,得到两个以上的子序列和一个余量;
步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型,采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取,该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数;
步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测,并将各子序列的预测结果进行叠加,得到风速预测结果。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (2)
1.风电场短期风速组合预测方法,其特征在于:包括以下步骤:
步骤1、从风电场数据采集与监视控制系统中进行数据提取并记录,并保存历史风速序列数据;
步骤2、对步骤1中所提取的风速序列进行聚类经验模态分解,得到两个以上的子序列和一个余量;
步骤3、对步骤2中聚类经验模态分解得到的各子序列分别建立最小二乘支持向量机模型,采用自适应扰动粒子群算法和学习效果反馈对影响最小二乘支持向量机模型预测效果的三个参数进行综合选取,该影响最小二乘支持向量机预测效果的三个参数分别是模型输入维数和两个超参数;
步骤4、对各子序列根据最小二乘支持向量机的学习效果选用最优参数进行预测,并将各子序列的预测结果进行叠加,得到风速预测结果;
所述步骤2中,对采集的风速序列进行聚类经验模态分解包括以下三个步骤:
步骤2.1、向风速序列中加入白噪声序列;加入的白噪音信号服从的正态分布,其中ε为信号序列的标准差,α为噪音序列的强度参数;然后使用经验模态分解将加入白噪声的风速序列分解为若干个子序列和一个余量;
步骤2.2、重复步骤2.1共n次,每次随机加入服从(0,(αε)2)的正态分布的白噪声序列,其中ε为信号序列的标准差,α为噪音序列的强度参数;
步骤2.3、将n次分解得到的若干个子序列分别求整体平均,得到原信号的若干个最终子序列;
所述步骤3中,采用自适应扰动粒子群算法和模型学习效果反馈优化最小二乘支持向量机的具体步骤如下:
基于定义:风速做为一组随机序列,下一时刻的风速与之前m个序列相关,即对于t时刻风速x(t),与之前m个时刻的风速有关,即存在这样的关系:x(t)=f(x(t-1),x(t-2),…,x(t-m)),定义3≤m≤12,即下一时刻的风速与之前3到12个时刻的风速序列数据有关,则综合选取过程如下:
步骤3.1、初始化参数并设定最大迭代次数,包括粒子群算法的参数和初始化输入维数3,初始化的粒子群参数包括:种群规模m,维数D,权重系数wmax和wmin,加速常数c1和c2,最大进化代数Tmax以及适应度方差阈值;
步骤3.2、基于自适应扰动粒子群算法优化最小二乘支持向量机模型,具体步骤如下:
步骤3.2.1、对风速序列进行归一化整理;采用最大最小法对模型学习样本和测试样本进行归一化处理:
式二中:是序列{X(t)}中某一变量数据x(t)归一化后数据,xmin为序列{X(t)}中该变量最小值,xmax为{X(t)}中该变量最大值;x(t)为t时刻风速;
步骤3.2.2、粒子群参数设置及种群初始化:设定的参数包括种群规模m=30,维数D,惯性权重wmax和wmin,加速常数c1和c2,最大进化代数Tmax,适应度方差阈值β;
步骤3.2.3、以均方差作为适应度函数,评价粒子适应度值并记录全局极值和个体极值,均方差表达式如式三所示,第i个粒子当前点设为最优位置pid,所有粒子中最优者设为种群最优位置pgd;
式中:为拟合值,yi为实际值,p为样本数;
步骤3.2.4、计算种群的适应度方差σ2,如果σ2<β则判断出现早熟,转步骤3.2.5;否则,转步骤3.2.6;
步骤3.2.5、对粒子位置进行扰动;
步骤3.2.6、更新各个粒子的速度和位置,得到新种群;
步骤3.2.7、计算新种群各粒子适应度值,并与其历史最优位置和种群的历史最优位置作比较,若更优,则替换,否则,保持不变;
步骤3.2.8、检查是否满足寻优结束条件,即是否达到Tmax,是,则输出最优解;否,则转步骤3.2.3;
步骤3.3、对优化后的模型,以训练数据均方差为标准检验模型学习效果;
步骤3.4、判断是否结束,即是否达到最大迭代次数,是,比较并输出最佳学习效果情况下的维数及LSSVM超参数;否,维数加1并转到步骤3.2;
步骤3.5、以学习效果最佳情况下的输入维数和LSSVM超参数建模进行风速预测。
2.根据权利要求1所述的风电场短期风速组合预测方法,其特征在于:所述步骤2.1中,经验模态分解的步骤如下:
步骤2.1.1、求得风速时间序列{X(t)}中所有的极大值和极小值,采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t);
步骤2.1.2、计算上下包络线平均值m(t),其中m(t)=[bmax(t)+bmin(t)]/2,提取h(t)=X(t)-m(t),判断h(t)是否满足如下两个固有模态分量条件:
满足条件一,整个固有模态分量序列中的零点数与极点数至多相差1个;
满足条件二,在任意点,由局部极小值点定义的包络线和局部极大值点定义的包络线均值为0;如果满足,则h(t)就是第一个固有模态分量;
步骤2.1.3、如果不满足步骤2.1.2中的两个条件,则将h(t)作为原始序列重复步骤2.1.1和步骤2.1.2,直到经过n次筛选后的差值hn(t)满足固有模态分量条件,称为一个IMF,记为c1(t)=hn(t);
步骤2.1.4、得到c1(t)后,根据式一从信号X(t)中得到剩余分量r1(t);
r1(t)=X(t)-c1(t) 式一;
步骤2.1.5、将r1(t)重复上述步骤2.1.1-2.1.4得到其余的IMF分量,当余量rn(t)为单调函数时终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370572.4A CN103400052B (zh) | 2013-08-22 | 2013-08-22 | 一种风电场短期风速组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370572.4A CN103400052B (zh) | 2013-08-22 | 2013-08-22 | 一种风电场短期风速组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103400052A CN103400052A (zh) | 2013-11-20 |
CN103400052B true CN103400052B (zh) | 2017-02-08 |
Family
ID=49563679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310370572.4A Active CN103400052B (zh) | 2013-08-22 | 2013-08-22 | 一种风电场短期风速组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103400052B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104153981B (zh) * | 2014-02-19 | 2017-02-15 | 东南大学 | 一种用于电站循环水泵启停时背压数据的预估方法 |
CN103915855B (zh) * | 2014-04-10 | 2015-12-09 | 华北电力大学 | 一种降低风电机组机械损耗的风电场内优化调度方法 |
CN104573371A (zh) * | 2015-01-16 | 2015-04-29 | 上海大学 | 基于最优小波包变换和ar-svm的非平稳风速预测方法 |
CN104899665A (zh) * | 2015-06-19 | 2015-09-09 | 国网四川省电力公司经济技术研究院 | 风电功率短期预测方法 |
CN105046057B (zh) * | 2015-06-24 | 2019-04-02 | 上海大学 | 基于Morlet小波核的LSSVM脉动风速预测方法 |
CN105095652B (zh) * | 2015-07-10 | 2017-10-03 | 东北大学 | 基于堆叠极限学习机的样品成份测定方法 |
CN105046383A (zh) * | 2015-09-19 | 2015-11-11 | 东北电力大学 | 一种基于集合经验模态分解和相关向量机的风电功率实时预测方法 |
CN105576712B (zh) * | 2016-02-17 | 2017-12-22 | 中国农业大学 | 一种基于自适应极点配置的风电场有功功率在线控制方法 |
CN106655186A (zh) * | 2016-12-08 | 2017-05-10 | 国网青海省电力公司 | 一种离网光伏电站直流侧谐波的svc抑制指数预测方法 |
CN106875038B (zh) * | 2017-01-03 | 2021-09-28 | 国能日新科技股份有限公司 | 基于集合局地多点不同气候特征的风功率预测方法及装置 |
CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学(保定) | 一种基于组合支持向量机的风电场短期风速预测方法 |
CN108053077A (zh) * | 2017-12-28 | 2018-05-18 | 华中科技大学 | 一种基于区间二型t-s模糊模型的短期风速预测方法与系统 |
CN108460501B (zh) * | 2018-05-10 | 2021-09-14 | 湖北工业大学 | 一种基于组合模型的风力电站输出功率预测方法 |
CN108846508A (zh) * | 2018-05-30 | 2018-11-20 | 华北电力大学(保定) | 一种基于大气扰动的风速预测方法及系统 |
CN109034403A (zh) * | 2018-06-21 | 2018-12-18 | 北京工业大学 | 一种城市轨道交通设备维管系统 |
CN109241823B (zh) * | 2018-07-17 | 2021-07-13 | 西安交通大学 | 一种基于变分模态分解和支持向量回归的信号预测方法 |
CN111027579A (zh) * | 2018-10-10 | 2020-04-17 | 百度在线网络技术(北京)有限公司 | 超参数的确定方法、装置、设备和介质 |
CN110263971A (zh) * | 2019-05-14 | 2019-09-20 | 西安理工大学 | 基于支持向量机的超短期风电功率组合预测方法 |
CN110428100A (zh) * | 2019-07-31 | 2019-11-08 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种风机短期发电功率预测方法 |
CN111222680A (zh) * | 2019-10-28 | 2020-06-02 | 同济大学 | 基于最小二乘支持向量机的风电站出力超短时预测方法 |
CN111697621B (zh) * | 2020-06-23 | 2021-08-24 | 石家庄铁道大学 | 基于ewt-pdbn组合的短期风电功率预测方法 |
CN111856185A (zh) * | 2020-07-23 | 2020-10-30 | 上海电机学院 | 用于风电机组电能质量监测与改善的嵌入式系统和方法 |
CN116565898B (zh) * | 2023-07-04 | 2023-09-15 | 昆明理工大学 | 一种基于风速预测的风储联合一次调频的自适应控制方法 |
CN117494573B (zh) * | 2023-11-16 | 2024-06-11 | 中山大学 | 一种风速预测方法、系统及电子设备 |
CN118505436A (zh) * | 2024-07-16 | 2024-08-16 | 西安五常电力技术有限公司 | 一种风电场的运行模式控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201212891A (en) * | 2010-09-16 | 2012-04-01 | Nat Yang Ming University Hospital | Method of two-dimentional Ensemble Empirical Mode Decomposition for analyzing brain disease |
CN102855412A (zh) * | 2012-09-21 | 2013-01-02 | 广西电网公司电力科学研究院 | 一种风电功率预测方法及其装置 |
-
2013
- 2013-08-22 CN CN201310370572.4A patent/CN103400052B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201212891A (en) * | 2010-09-16 | 2012-04-01 | Nat Yang Ming University Hospital | Method of two-dimentional Ensemble Empirical Mode Decomposition for analyzing brain disease |
CN102855412A (zh) * | 2012-09-21 | 2013-01-02 | 广西电网公司电力科学研究院 | 一种风电功率预测方法及其装置 |
Non-Patent Citations (3)
Title |
---|
基于EEMD的LS-SVM和BP神经网络混合短期负荷预测;朱祥和等;《数学的时间与认识》;20120430;第42卷(第8期);第151-158页 * |
基于EEMD能量熵和LSSVM的传感器故障诊断;丁国君等;《传感器与微系统》;20130720;第32卷(第7期);第22-24页 * |
基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测;陈道君等;《电网技术》;20130430;第37卷(第4期);第974-980页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103400052A (zh) | 2013-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103400052B (zh) | 一种风电场短期风速组合预测方法 | |
Xiong et al. | Short-term wind power forecasting based on Attention Mechanism and Deep Learning | |
CN104239964B (zh) | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 | |
An et al. | Short-term wind power prediction based on particle swarm optimization-extreme learning machine model combined with AdaBoost algorithm | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN102938093A (zh) | 一种风电功率预测的方法 | |
CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
CN109558897A (zh) | 一种基于数据挖掘的电网规划多场景提取方法 | |
CN103745093A (zh) | 一种基于pca-eml的煤矿突水预测方法 | |
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
CN108985515A (zh) | 一种基于独立循环神经网络的新能源出力预测方法及系统 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
Chen et al. | Interpretable time-adaptive transient stability assessment based on dual-stage attention mechanism | |
CN109002926A (zh) | 一种高准确性的光伏发电量预测模型及其构建方法和应用 | |
CN104638672A (zh) | 一种考虑变量相关性的光伏穿透功率极限的确定方法 | |
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN103425867A (zh) | 一种短期风电功率组合预测方法 | |
CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
CN105046057A (zh) | 基于Morlet小波核的LSSVM脉动风速预测方法 | |
CN111160386B (zh) | 一种基于主动无功功率扰动的数据驱动电力孤岛检测方法 | |
CN117477551A (zh) | 基于领域知识嵌入模型的光伏发电功率预测方法及系统 | |
CN106356994B (zh) | 一种基于电网pmu大数据的电网稳定性判别方法 | |
Zhang et al. | A novel stability classifier based on reformed support vector machines for online stability assessment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |