提高短期风电功率预测精度是风电大规模发展的迫切要求,同时也是保障风电并网运行的关键。笔者在不增加模型复杂度的前提下,提出了聚类建模方法。该方法首先采用减法聚类与模糊C均值聚类(FCM)方法相结合对训练样本进行处理,然后建立不同聚类集下对应的预测模型库,最后将预测数据与聚类后的样本数据进行匹配,选择合理的模型进行预测。采用山西某风电场实际数据进行大量仿真,并将预测结果与单一模型结果对比,结果表明,该方法可以减少大的预测误差点数,有效提高风电功率预测精度。
2021-04-17 11:05:30
749KB
1
采用一种具有很强的非平稳信号跟踪、预测能力的原子稀疏分解（ASD）法，作为人工神经网络（ANN）的前置分解方法，将风电功率序列分解为原子分量和残差分量，对原子分量进行自预测，残差分量进行ANN预测，再通过追加最新的风电功率实时数据来更新ASD的结果，进而滑动预测下一个时刻的风电功率。以实际风电场数据进行验证，结果证明了该模型可以有效地处理风电功率非平稳性，产生更为稀疏的分解效果，显著地降低了绝对平均误差、均方根误差计算值的统计区间。
2021-04-13 09:08:12
1.29MB
1
准确的风电功率预测对于电力系统安全稳定运行具有重要意义，滞后性是产生风电功率预测误差的主要原因，尤其是风速变化较快时，滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关，提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性，并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化，以提高风电功率预测的准确性。算例结果表明，所提方法能够有效提高风电功率预测精度。
2021-02-27 15:03:35
1.91MB
1
美国某风电场风速数据及风电功率数据，2012年，数据较多可供研究人员使用，内含数据所在地的经纬度。数据为每5分钟间隔。
2020-01-03 11:20:56
701KB
1
使用isodata算法结合lssvm预测风电功率，LSSVR使用二范数优化目标函数，并利用等式约束条件代替SVM标准算法中的不等式约束条件，克服了SVM在大规模问题中存在的训练速度较慢的缺点。
2019-12-21 20:52:58
4KB
1