基于深度学习分位数回归模型的风电功率概率密度预测.pdf

采用模糊神经网络建立了风电场输出功率的短期预测模型,通过新疆某风电场数 据进行算例验证,对不同预测周期的模型的预测效果进行比较。结果表明,所建立的模糊神经 网络模型能正确地预测风电场输出功率,提升传统神经网络的性能。

BP、GABP、改进GABP三种风电功率预测方法比较；Matlab源代码，内含数据，注释详细，内含gaot遗传算法工具箱。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

本发明公开了一种基于遗传算法优化BP神经网络的风电功率预测方法，从风电功率预测系统的数据处理模块中获取预测参考数据；对参考数据建立BP神经网络的预测模型，并采用多种群编码对应BP神经网络的不同结构，每个种群分别对神经网络权值阈值编码，生成不同长度的个体，用遗传算法中选择、交叉、变异操作进化优化每个种群，最后判断收敛条件并选择最优个体；再对BP神经网络初始化，用学习率可变的动量BP算法进一步训练网络直至收敛，利用该网络对风电功率进行预测；最后，还反复利用预测值，在一轮预测中进行多次预测实现了跨时间间隔的多步预测。本发明预测精度提高，计算时间减少，稳定性增强。

含NWP数值天气预报和不含NWP数值天气预报的BP神经网络预测风电功率两种方法进行比较，含数据，实际案例。

论文资源，粒子群优化神经网络的预测模型。

【预测模型】基于殖民竞争算法优化BP神经网络进行风电功率预测matlab源码.pdf

由于风电存在着不确定性，风电功率预测对于接入大量风电的电力系统意义重大。为了提高风电功率的预测精度，本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型。考虑到风力机组的输出有很强的非线性，该模型首先将训练数据按风速大小分成高、中、低3组，然后对各组的风电功率样本序列进行经验模式分解，并建立各个频带分量的支持向量机预测模型，各模型的预测结果等权求和即得到最终的功率预测值。使用风电场现场采集数据的预测结果，验证了该方法的可行性和有效性。

针对风电功率预测问题，在现有预测方法和概率性区间预测的基础上，提出基于深度学习分位数回归的风电功率概率预测方法。该方法采用Adam随机梯度下降法在不同分位数条件下对长短期记忆神经网络(LSTM)的输入、遗忘、记忆、输出参数进行估计，得出未来200 h内各个时刻风电功率的概率密度函数。根据美国PJM网上的风电功率实际数据的仿真结果表明，所提方法不仅能得出较为精确的点预测结果，而且能够获得风电功率完整的概率密度函数预测结果。与神经网络分位数回归相比，其精度更高，且在同等置信度下的预测区间范围更小。