风速预测

摘要： 针对现有风速预测精度不高等问题,选择一种组合核函数的支持向量机回归模型(SVR),根据粒子的适应度动态自适应地调节算法中惯性权重取值的改进粒子群优化算法优化模型参数,建立基于改进PSO-SVR的短期风速预测模型,通过实例研究验证该方法的有效性与实用性。

摘要： 针对风速序列具有很强的随机性和波动性,提出一种基于完备总体经验模态分解(CEEMD)、长短期记忆网络(LSTM)和自回归差分移动平均(ARIMA)的组合预测模型来对短期风速进行准确预测。首先利用CEEMD算法将原始风速序列分解为多个模态分量,降低风速序列的复杂度;然后通过排列熵(PE)把风速子模态分为高频序列和低频序列,对高频序列和低频序列分别建立LSTM和ARIMA预测模型;最后把子序列预测结果叠加起来,得到最终的风速预测值。实验结果表明,该预测模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别为8.68%、0.389 m/s,与其他预测模型的预测结果相比,预测精度有了一定提高。

摘要： 在影响风电功率预测准确率的因素中,气象预测数据源的选取和组合影响较大。基于广西A、B两个山地风电场2020年2月1日至3月15日15min实测风速、4种单一气象数据源及3种混合订正气象数据源的预测风速,分析不同气象预测数据源对风电场风速预测准确率的影响。结果表明,多种数据源混合订正预测结果总体优于单一气象数据源预测结果,在预测模型优化过程中可重点研究混合订正气象数据源的应用。同一气象数据源在不同场站预测效果不一致,并无绝对优势。高分辨率气象数据源预测效果不一定优于低分辨率气象数据源。

摘要： 准确的风速预测对新能源并网稳定运行具有重要意义。为提高风速预测精度,该文构建基于双重Q学习的动态风速预测模型。首先,构建由五种基础预测算法组成的风速Q学习模型集,充分考虑风速波动情况和属性因素,通过Q学习强化学习算法选取出每时段的最佳预测模型,得到初步的风速预测结果;然后,基于风速预测结果计算预测误差,构建第二阶段的误差Q学习模型库,筛选该模型库中的最佳模型,以修正初步预测值,对误差进行校正,得到最终的预测结果;最后,通过对实际风场不同季节的风速进行预测,验证所提方法的有效性。

摘要： 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.

摘要： 针对风速精准预测过程中存在的风电场内风机数量大、风速之间存在复杂时空相关性的问题,提出将鲸鱼优化算法与混合Copula函数相结合的相关性分析法,在风机风速相关性分析的基础上构建风速预测模型。在该模型中,通过混合多种单一Copula函数,再利用鲸鱼优化算法进行参数求解,提高了模型的相关性分析水平。以我国某地区风电场风机实际运行数据为例,将单一Copula预测结果与混合Copula预测结果进行对比。结果表明,利用所提出的方法可以有效分析风机风速相关性,使风速预测精度得到提升。

摘要： 为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。

摘要： 为了提高近海短期风速的预测精度,提出了一种基于随机布谷鸟搜索算法(Random Cuckoo Search Algorithm,RCSA)和人工神经网络(Artificial Neural Network,ANN)的模型。首先通过引入随机因子改进布谷鸟搜索算法得到了RCSA,建立了预测海上短期风速的RCSA-ANN模型;其次在上海芦潮港建立了测风塔,测得了近海气象数据,并开展了模型的训练;最后与BP-ANN、CSA-ANN模型进行对比和分析,验证了RCSA-ANN模型的精度。结果表明:CSA改进方法简单、可靠且有效,解决了该算法易陷入局部最优的问题;RCSA-ANN模型的平均误差不仅低于BP-ANN模型的,而且远低于CSA-ANN模型的,三种模型的预测精度依次降低;RCSA-ANN模型预测精度高,能对较为波动的风速序列实现准确预测,具有很好的应用潜力。

摘要： 高精度的短期风速预测在一定程度上可以提高风资源评估的准确度,但因风速高度随机性导致预测难度较大,为了提升风速预测的精度,首先对风速混沌特性进行分析,验证其是否具有混沌特性,在此基础上提出一种基于变分模态分解(VMD)、相空间重构(PSR)和门控循环神经网络(GRU)相结合的短期风速预测模型。将原始风速数据通过VMD分解为若干子序列并对各子序列进行PSR技术优化处理,可以使样本更加符合实际风速的变化,起到对风速降噪的作用;接着用处理过的各子序列对GRU预测模型训练并预测,最后求和得出风速预测结果。以上海某地为例,将预测结果与实际风速值进行对比分析,分析结果表明:所建模型能有效提高风速预测精度,在预测准确度上优于单一预测模型,验证了所提模型的有效性和合理性。

摘要： 风能是目前应用最为广泛、技术最为成熟的可再生能源。为了保证风电场的稳定和安全运行,风速的准确预测至关重要。除传统的数值天气预报以外,机器学习技术已经广泛应用于不同时间尺度的风速预测。然而这些工作大多局限于单一地点的风速序列分析,没有考虑和利用风速的空间相关性。对此,使用深度置信网络(Deep Belief Network,DBN)对同一区域内多个地点的风速序列进行空间相关性特征识别。在训练过程中,深度置信网络充分挖掘了该区域内历史风速的联合分布,借此改善未来的风速预测。多组风速预测实验表明,空间深度置信网络能够有效降低风速的预测误差,经过空间深度置信网络重构后的风速预测误差平均降低了0.4 m/s。

摘要： 风能作为一种可再生,无污染的能源,在低碳能源科技中起着重要作用.因此准确地预测风速时间序列具有重要的意义.然而由于风速时间序列的随机性,阻碍着风能的利用.为了提高风速预测的准确性,发展了大量预测的方法,大体包括三种方法:物理方法、时间序列方法和基于人工智能的方法.为了进一步提高风能预测准确性,本文基于大量的研究提出一种结合了相关性辅助的离散小波变换(discrete wavelet transform,DWT)、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)和广义自回归条件异方差模型(generalized auto-regressive conditionally heteroscedastic,GARCH)实时分解的风速预测方法.

摘要： 风能,作为全球关注的清洁能源,其发展却面临一系列的挑战,如产能计划和风机维护等.因此,提高短时风预测的准确性以及减少不确定性是亟待解决的重要问题.本文结合EEMD，特征选择和误差补偿的实时分解，发明了一种更加准确和稳定的风速预测方法。并通过对比和举例展示了此方法的准确性和稳定性。

摘要： 风速预测在风能利用、高铁预警等方面都是十分重要的其不仅能够保证能源的有效利用,而且对保障列车运行安全性、舒适性与稳定性具有重要意义.本文基于DWT-LSSVM模型对分解的预测方法进行了研究.首先,比较两种传统分解预测方法,说明了一次分解预测方法的不合理性,并发现实时分解预测方法不能得到满意的预测精度.其次,提出了一种改进预测方法,即优化选择分解分量的预测值进行叠加组合以完成风速的预测.最后,得出研究结论.

摘要： 最小二乘支持向量机(LSSVM)已作为一种新颖的人工智能技术应用于工程风速预测.由于参数选择对LSSVM的预测性能有很大影响,参数寻优因而是LSSVM风速预测的关键问题.为减小参数选择对LSSVM预测性能的影响,一些学者提出了使用粒子群优化(PSO)算法、人工鱼群(AFS)优化算法等来优化选择LSSVM的参数,形成PSO-LSSVM和AFS-LSSVM.萤火虫算法(FA)是继PSO算法、AFS优化算法之后又一种新颖的群体智能优化算法,具有设置参数少、易实现、收敛精度高等优点.因此,本文提出基于萤火虫算法(FA)优化最小二乘支持向量机(FA-LSSVM),以寻找高性能风速预测算法.FA-LSSVM的收敛速度比AFS-LSSVM快，而且训练的耗时较短。因此，FA-LSSVM是高性能的台风风速预测算法，具有工程推广价值。

摘要： 大规模风电的接入对电力系统的安全稳定运行带来了新挑战,加剧了电网实时调度的难度,增加了备用容量,提高了安全运行成本.支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的回归效果.本文以径向基(RBF)核函数非线性支持向量回归机为基础建立风速超短期预测模型,利用序贯最优化算法(SMO)对样本进行训练,分别利用网格搜索、遗传算法和粒子群算法对参数寻优进行对比分析,预测精度较持续法提高了2％.仿真结果表明,基于SMO支持向量回归机应用在超短期风速预测中,整体预测曲线有较好的平滑性,能有效降低整体预测误差.

摘要： 针对风速非平稳、非线性的特点,为提高短期风速预测准确性与快速性,建立了EMD.RBFNN预测模型.利用经验模态分解(EMD)将风速时间序列分解为具有相同特征尺度的相对平稳的本征模态(IMF)分量,以实现风速时间序列信号平稳化;针对各个模态分量的特性,采用径向基函数神经网络模型(RBFNN)对各个模态分量分别进行预测,选用正交最小二乘法来最大限度减少错误率,最后将各IMF.RBFNN预测结果进行重构得到最终预测值;设计并实现了基于GUI交互式界面的多功能短期风速预测系统.实验结果表明,EMD.RBFNN预测模型有效提高了短期风速预测精度,具有一定的实用价值.

摘要： 风力发电系统的传输时延和风力机的响应时延,严重影响了风力发电系统对风能的实时捕获.为实现最大风能跟踪的目的,提出了一种新的基于短期风速预测提前给定控制信号的方案.通过利用最小二乘支持向量机预测方法为最大风能追踪提供了一个准确的风速数据,从而准确获取最大功率点下对应的电机转子转速的控制信号,并提前给定控制系统,实现风力发电机对风能的实时捕获,提高系统的可靠性.本文针对1.5MW双馈风力发电系统的数学模型,分析了该系统的传动仿真模型.结合风速预测控制和有功功率、无功功率的解耦控制实现了最大风能的实时跟踪捕获.

摘要： 本文考虑大数据下风电场实际运行数据存在异质值,利用IPSO优化模糊C均值和PSR-KELM的组合模型预测风速.首先,利用IPSO优化之后的模糊C均值计算模糊隶属度并对风电场的实际运行数据进行分类,完成模糊样本的形成;其次,利用IPSO对PSR-KELM模型的四参数(τ,m,γ,σ)进行优化;最后,基于IPSO优化模糊PSR-KELM模型预测风速.将预测的风速映射到基于改进移动平均平滑算法滤除异质值后得到的风速-功率曲线上,实现功率预测.以晋北风场作为实例,通过分析其现场实际运行数据可知,与四参数优化的PSR-KELM模型、模糊四参数优化的PSR-KELM模型相比,基于IPSO优化模糊PSR-KELM模型克服传统模糊C均值聚类算法因不易选取聚类中心而难以准确聚类的缺陷,避免大数据下异质值对风速预测模型的影响,将模糊训练样本输入PSR-KELM四参数优化模型,实现更加准确的风速预测.且提出改进移动平均平滑算法可以有效滤除异质值,拟合出更接近风电场实际运行状况的风速-功率曲线.

摘要： 为了提高风电机组并网发电的能力,高精度的风电功率预测必不可少,准确的风速预测是风电功率预测的关键.现有的风电场风速预测方法有很多种,本文采用建立自回归滑动平均模型的方法对风电场风速进行预测.建立自回归滑动平均模型首先需要对样本数据进行处理,对样本数据进行预处理和检验,寻找数据之间的相关性,根据其相关性估计模型的阶数并采用AIC准则确定其阶数,利用最小二乘法对其参数进行估计,通过模型检验确定模型适用.以我国北方某风电场为例,采用文中建立的模型进行提前24小时风速预测,结果表明预测精度符合国家要求,模型稳定性好,预测过程用时少.

摘要： 风速多步预测研究对超高层建筑、桥梁、高速铁路抗风和风电场平稳运行有重要意义.本文基于目前常用的"分解—预测—重构"策略,提出一种改进经验小波算法,用于实测非平稳风速分解,并建立最小二乘支持向量机预测模型对分解得到的子信号开展多步预测,粒子群优化算法被用来优化最小二乘支持向量机核参数和惩罚参数.对两组实测非平稳台风进行风速多步预测试验,并引入集合经验模态分解和离散小波变换作为对比.试验结果表明,改进经验小波变换能显著提高非平稳风速多步预测精度.

摘要： 本发明公开了一种基于多视角风速模式挖掘的短期风速预测方法方法，包括：采集风电场的风速历史数据，形成历史风速的时间序列；通过互信息法确定时间序列的延迟；根据获得的延迟将风速时间序列转换成为矩阵型数据，获得风速样本；根据风速样本从风速的统计信息、风速变化趋势和风速波动趋势三个视角提取描述风速变化规律的特征信息；对风速样本进行归一化处理，获得归一化后的风速变化的特征信息；基于归一化后的风速变化的特征信息，通过多视角聚类算法对风速样本进行聚类，从而建立具有k个簇集的短期风速预测的模型；计算待预测的风速样本与上述确定的k个簇集之间的欧式距离，利用其中欧式距离最小的簇集所对应的SVR风速预测模型完成风速预测。

摘要： 本发明提出一种基于多目标遗传算法的风速订正和预测风速优化方法，获取风电场历史数据，并选取不同时段的k种优化目标；对逐个风机，针对每种优化目标分配m/k组预测风速数据；对于每个目标，基于实测风速和m/k组预测成员计算优化目标函数的值；不放回的抽取m/k个预测风速；选择不同时段变异策略以及精英策略，进行交叉操作和变异，得到m个子代，并计算子代的优化目标函数值；子代的优化目标函数值满足条件时，优化结束。本发明为风速订正、风速预测的优化提供多目标的优化，调度者和决策者可以根据不同目标来制定不同时段的策略以保证风速预测能够更大程度的保证电力交易收益的稳定。

摘要： 本公开提供一种风速预测方法和风速预测装置。所述风速预测方法包括：获取目标区域在未来预设时间段的预测背景场数据和观测场数据；根据获取的预测背景场数据和观测场数据使用天气预报模式系统来生成初始条件和边界条件；基于第一同化系统对所述初始条件进行优化，并且相应地更新所述边界条件；基于优化后的初始条件以及更新的边界条件，使用天气预报模式系统和第二同化系统来获得目标区域在所述预设时间段的风速。根据本公开的方法和装置能够分别在天气预报模式初始场和数值模式积分过程中耦合气象观测资料，提高了数值天气预报的模拟精度，进而提高了风电场预测风速精度。

摘要： 本发明公开一种风速预测方法及预测系统。预测方法包括：获取原始的风速序列；对风速序列进行经验模态分解，获得若干固有模态函数和余项；根据各个固有模态函数的瞬时频率均值对所有的固有模态函数进行分类，获得若干高频模态函数和若干低频模态函数；采用每个高频模态函数的训练样本数据训练最小二乘支持向量机，获得高频预测模型；采用每个低频模态函数的训练样本数据训练BP神经网络，获得低频预测模型；采用余项的训练样本数据训练BP神经网络，获得余项预测模型；利用各个高频预测模型、各个低频预测模型和余项预测模型预测风速。本发明基于不同分量的波动特性建立预测模型，可有效减弱风速序列的随机波动性，实现对风速的精确预测。

摘要： 本发明涉及一种风电场故障风速传感器风速预测方法、装置及存储介质，该方法包括：对风电场机组按照风速空间相关性进行群落划分，将风速空间相关性较高的多台机组划分到一个群落中；定位故障风速传感器所在群落；根据风速传感器的实测风速数据在群落内滚动筛选与故障风速传感器风速相关性最优的关联机组，将关联机组的实测风速序列输入至预先训练的风速预测模型，所述的风速预测模型输出故障风速传感器的预测风速序列。与现有技术相比，本发明具有预测速度快、准确度高等优点。

摘要： 本发明公开了一种利用基于平均风速订正的MCP的风速预测方法，克服了现有技术中MCP方法对测风数据的处理无法兼顾发电量和平均风速而导致的评估结果不确定性较大的问题，方法包括下列步骤：S1：对所用风速数据进行处理；S2：利用分段线性拟合方法推测得到目标站完整的测风数据，作为风速基准时间序列V1；S3：利用威布尔拟合方法推测得到目标站完整的测风数据，作为风频基准时间序列V2；S4：根据风速基准时间序列V1和风频基准时间序列V2进行平均风速订正，得到最终预测风速时间序列V。为分散式项目的风资源评估提供一种科学准确的获取完整测风数据的方法，减小了传统评估的不确定性，提高了评估精度，且计算流程简单，适用于日常业务使用。

摘要： 本发明提出一种基于多目标遗传算法的风速订正和预测风速优化方法，获取风电场历史数据，并选取不同时段的k种优化目标；对逐个风机，针对每种优化目标分配m/k组预测风速数据；对于每个目标，基于实测风速和m/k组预测成员计算优化目标函数的值；不放回的抽取m/k个预测风速；选择不同时段变异策略以及精英策略，进行交叉操作和变异，得到m个子代，并计算子代的优化目标函数值；子代的优化目标函数值满足条件时，优化结束。本发明为风速订正、风速预测的优化提供多目标的优化，调度者和决策者可以根据不同目标来制定不同时段的策略以保证风速预测能够更大程度的保证电力交易收益的稳定。

摘要： 本发明公开一种基于风速特性的短期风速预测方法及系统。该预测方法包括：获取原始风速序列；对所述风速序列进行奇异值分解，获取去噪序列和噪声余项；获取对所述去噪序列进行变分模态分解的最优模态数；对所述去噪序列进行变分模态分解，获取各分量序列；利用改进的平均影响值法获取所述环境因素中与输出风速高相关的信息，并结合所述分量序列或余项建立长短期记忆网络模型；通过改进的极值优化法优化网络模型，获取预测模型；通过所述预测模型对所述各分量序列和所述噪声序列进行预测，获取各分量和余项预测结果；累加各分量和余项预测结果，获取风速预测结果；本发明的风速预测方法或系统显著提高了预测模型可靠性，可获得高精度预测结果。

摘要： 本发明公开了一种基于多视角风速模式挖掘的短期风速预测方法方法，包括：采集风电场的风速历史数据，形成历史风速的时间序列；通过互信息法确定时间序列的延迟；根据获得的延迟将风速时间序列转换成为矩阵型数据，获得风速样本；根据风速样本从风速的统计信息、风速变化趋势和风速波动趋势三个视角提取描述风速变化规律的特征信息；对风速样本进行归一化处理，获得归一化后的风速变化的特征信息；基于归一化后的风速变化的特征信息，通过多视角聚类算法对风速样本进行聚类，从而建立具有k个簇集的短期风速预测的模型；计算待预测的风速样本与上述确定的k个簇集之间的欧式距离，利用其中欧式距离最小的簇集所对应的SVR风速预测模型完成风速预测。

摘要： 基于频域多尺度风速信号可预报性的超短期风速预测方法，属于分析和测量控制技术领域，涉及基于频域多尺度风速信号可预报性的超短期风速预测方法。为解决现有预测方法未考虑频域多尺度的可预报性问题和统计预报模型中输入空间的数据维数选取需要依靠经验而导致的预测精度低、模型训练时间长的问题，通过增加可预报性分析和自相关性分析技术步骤避免了高频分量预测的步数过长而导致叠加后反而对预测结果产生负面影响有效提高了超短期风速预测的精度并减少了模型训练的时间。本发明主要用于风电场对电场功率的预测，从而帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。