基于小波长短期记忆网络的风电功率超短期概率预测

随着大规模的风电并网,风电所具有的间歇性与随机性对电力系统的稳定性产生了很大的影响,风电功率预测成为当前解决该问题重要的方式之一.本文利用长短期记忆（LSTM）网络良好的时序记忆特性,将小波分解技术与LSTM深度网络结合,提出基于小波长短期记忆网络的风电功率超短期概率预测模型.首先通过小波分解技术将原始时间序列进行平稳化处理,再建立各子序列样本的LSTM网络预测模型,借助最大似然估计法估计预测误差的高斯分布函数,最终实现对未来4 h时刻的风电功率概率区间预测.最后,采用中国东北某风电场数据对所提方法进行算例分析,结果表明,将小波分解与深度学习方法结合可以较好地提高预测的精度,提高概率预测的区间可靠性.     

小波变换在短期气候预测模型研究中的应用

用小波变换的小波系数以及其反演建立了不同时间心渡的气候预测模型,并对昆明,玉溪和楚雄１９９１～１９９６的月气温距平值以及滇中月降水距平值在月,季,年三种时间尺度上进行了预测试验和检验,结果表明,所建立的气候预测模型对月气温距平值预测的效果在月,季,年三种时间尺度上均是十分显著的,共对月气温距平值预测的距平符号相关准确率在月,季,年三种时间尺度的预测中已分别达到了７３．１％,７３．１％和６９．４％,     

基于小波神经网络法的海南地区逐时太阳总辐射预测研究

利用2003—2012年海口市气象站不同季节逐时太阳总辐射观测资料与对应气象参数,建立基于小波BP神经网络法逐时太阳总辐射的预测模型,并利用2013年太阳总辐射数据对模型进行检验,且与建立的逐步回归模型进行对比。结果表明:小波神经网络法建立的逐时太阳总辐射预测模型精度较高,但不同季节模型预测精度存在差异,冬季预测精度最高,夏季预测精度最差,天气类型指数有利于不同季节模型预测精度的提高。春季、夏季、秋季和冬季加入天气类型指数神经网络模型的逐时太阳总辐射预测值与观测值的回归估计标准误差分别为0.32、0.47、0.35 MJ·m-2及0.23 MJ·m-2,比逐步回归模型的预报精度分别提高了28.8%、16.3%、17.9%和20.4%,说明基于小波神经网络法建立的预测模型可为海南地区逐时太阳总辐射预测提供参考。     

相似误差订正方法在风电短期风速预报中的应用研究

为降低风电场短期预报风速误差,减少风电场短期风功率偏差积分电量,提高风电场发电功率预测准确率,分季节研究了相似误差订正方法对ECMWF单台风机预报风速的订正效果.结果表明:相似误差订正后不同风机预报风速的误差差距减小;预报风速的平均绝对偏差和均方根误差明显降低,其中夏季和秋季华能义岗风电场两个指标降低幅度均超过0.1 ...     

基于数值模拟和统计分析及智能优化的风速预报系统

风速预报是风力发电研究中的关键问题,也是一个十分困难的问题,其预测、评估技术还有待进一步提高.在预测短期风力(提前48～72 h对每小时的风速进行预测)时,通常采用数值天气预报模型进行预测.然而,初始扰动和模式物理过程的不确定性会影响气象数值预报的精度.将为数值天气预报模式提出一种新的后处理优化方法作为主要的思路,利用数据挖掘得到的关联规则来优化气象数值预报的结果,在中尺度模式WRF对风电场风速进行预报的基础上,将模式预测与统计分析及智能优化算法相结合,针对中国风电场的气候特征,利用一种新的修正模式误差的方法,极大地提高了风电场风速预报精度,提出了适合中国风力发电场的有效风速预报系统方案.     

基于WRF模式的风电场短期风速集成预报方法研究

风能始源于大气的运动,具有很大的随机性和间歇性。风速预测是风电场风功率预测的基础,其准确性具有重要的意义。对于复杂地形条件下,风速的预报一直是各国研究的难点和重点。为了提高风电场短期风速预报的准确性,本研究采用多种边界层参数化方案来集成预报风速,将各单一边界层参数化方案预报的风速及相应的实测风速数据,应用随机森林算法建立集成预报模型,对风电场的短期风速进行集成预报研究。试验结果表明,采用集成预报风速方法,预报的风速误差相比于单一边界层参数化方案预报的风速误差明显减小,对研究区域的风速、风向等气象要素有着较好的模拟效果,能够有效提高风速预报的准确率。     

不同气象预测数据源对山地风电场风速预测准确率的影响分析

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...     

集合选优方法在短期风功率预测中的应用研究

为提高短期风速及功率预测的准确率,减小风电不确定性对电网系统的影响,尝试利用预测窗口期的风速观测进行数值天气预报的集合成员选优,挑选和实际风速更接近的相似预报成员,并构成选优集合进行机器学习模型的训练和测试。相较仅使用集合平均的常规方法,该方法考虑了不同集合成员之间的预报差异,避免了引入误差较大的集合成员,从而有利于改善预报风速偏差。利用不同海拔高度、不同地形特征的河南、甘肃两个风电场中不同集合的表现及敏感性试验结果,确定风电场最佳选优集合数量。相较于集合平均的结果,集合选优方案在不同天气过程中能较好地预报风速的起降,与实际风速更接近,且海平面气压场整体更接近ERA5。对不同风电场进行连续十一个月的风速及功率预测对比试验,结果表明,集合选优方法预报的风速日变化形态和月均风速较原集合平均方法均有改善。分析两个风场不同时长范围、不同速率变化的上坡风和下坡风观测数据可知,在0~2h及2~4h内,风速变化为2~4m/s的个例最多。对比集合平均结果,集合选优方案对于该类型上、下坡风的预测精度均有较为明显的提升。利用机器学习算法对选优集合预报进行训练,能进一步降低风速的绝对偏差和均方根误差,从而有效改善功率预测精度。     

基于风速高相关分区的风电场风速预报订正

为了提高风电场风速预报和功率预测的精度和准确率,并考虑风机测风数据的不稳定因素,以多年服务的内蒙古中部某风力发电场A为研究区,在勘察风电场地形及风机布局后,按照季节、风向进行风机间风速时空相关性分析,划分出风机轮毂高度风速高相关为典型特征的风机网格分类片区,采用卡尔曼滤波方法,通过直接和间接两种订正方案,分别进行风机片区风速订正。结果表明:风速高相关风机片区的划分,对于提高风电场风速预报及功率预测精度和准确率具有一定作用,利用风电场区测风塔梯度观测风速,对风机片区进行间接订正,可有效改善数值模式预报风速,15个片区类型下相关系数由0.18~0.72提高至0.67~0.91,误差绝对值由1.6~2.9 m·s-1降低至1.0~1.5 m·s-1。     

基于ELM的风电场短期风速订正技术研究

风速预测是风电场风功率预测的基础,其准确度严重影响着风电场的运行效率。为了提高短期风速预测的准确性,本研究采用了WRF中尺度数值模式,对我国东部沿海某风电场的风速进行预报。在此基础上,利用极限学习机算法(ELM)对WRF模式预报的风速进一步订正。实验结果表明,WRF模式对风速、风向等气象要素有着较好的回报效果,利用ELM算法对WRF模式预报风速进行订正后,预报风速的误差进一步减小,相对均方根误差和相对平均绝对误差降低了20%～30%。与其他的智能算法(BP神经网络、SVM算法)对比分析后得出,ELM算法对WRF模式预报风速具有较好的订正效果,能够有效提高风速预报准确率。     

基于模糊时间序列的华南台风登陆时最大风速极值预测模型

利用1995—2017年登陆华南地区的台风登陆时最大风速极值数据,构建基于模糊时间序列的台风登陆时最大风速极值预测模型,并将该模型与传统时间序列ARIMA模型作对比。其预测结果表明,模糊时间序列的平均绝对误差、平均相对误差和均方根误差分别为2.621 m·s-1、0.066和2.727 m·s-1,预测的精确度明显高于传统时间序列ARIMA模型,同时也表明将模糊时间序列应用于登陆时最大风速极值的预测能够获得较理想的预测结果。     

基于人工神经网络的沿海风速多步预测研究

基于气象历史观测资料，将长短期记忆网络LSTM方法和Transformer模型结合提出了混合短期风速多步预测模型BLSTM TRA。以山东半岛南部沿海6个台站为研究区域，通过气象台站观测数据构建数据集。经与2018年ECMWF模式6 h预报结果对比分析，得出如下结论：构建的BLSTM TRA多步预测模型可大幅度降低风速误差，BLSTM TRA的1 h单步预测结果和ECMWF预报模式结果对比，其RMSE平均降低了58.9%，MAE平均降低了63.2%；风速误差和大风统计过程分析发现，BLSTM TRA模型具有一定的抗干扰能力，可以抓住短时大风等敏感信息，对于大风预报结果明显优于ECWMF模式和传统LSTM模型。     

基于小波分析的组合随机模型及其在径流预测中的应用

提出了一种随机组合预测模型利用Mallat算法对水文时间序列进行多尺度分解,得到对应尺度下的概貌(低频)分量和细节(高频)分量;分别对概貌分量和细节分量建立随机模型进行预测,预测结果的叠加即为原水文变量的预测.将该模型用于黄河三门峡站年径流预测中,并与传统预测模型进行了对比分析,结果表明,建立的组合模型充分利用了现有信息,预测精度高.     

风电场风电功率短期预报方法比较

通过开展湖北省九宫山风电场短期风电功率预报方法的研究,以不断提高预报准确率,为风电场提供更有价值的预报服务,该文利用MM5耦合CALMET模式模拟风电场风速资料,采用物理法和动力统计法探讨风电场各种情况下预报应用效果。结果表明:模拟风速释用订正能有效降低风速预报误差,但难以修正预报趋势;动力统计法更适用于九宫山风电场的复杂山区地形,可能由于该方法能自发适应风电场地理位置;采用实测数据建立的风电功率预报模型优于理论风电功率模型,这也与风机实际运行环境会影响风机输出功率有关。     

复杂地形条件下风电场预报风速的卡尔曼滤波订正

通过分析位于复杂地形的南湫、黑崖子和干河口风电场测风塔70 m高度的风速、风向分布特征及风速预报的误差特性,基于卡尔曼滤波方法建立了预报风速的订正模型,对预报风速误差进行了订正。结果表明,南湫、黑崖子和干河口风电场的有效风速时数占全年风速时数的百分比分别达90. 9%,85. 06%和82. 93%;各风电场有效风速时数存在显著的时间差异,夏、秋季有效风速时数最大;南湫、黑崖子和干河口分别可达29. 65%,27. 19%和23. 24%;风速日变化特征差异明显,夏季南湫、黑崖子和干河口风速日变化分别呈多峰多谷(或双峰双谷)、单峰单谷、双峰单谷的分布特征;夏到秋季,南湫主导风向为东南风,黑崖子由偏东风转换为偏西风,干河口主导风向稳定为东风或偏东风。风速阵性特征有明显的季节差异,9月黑崖子、干河口风速的阵性变化较6月强,南湫风速的阵性变化6月比9月强。北京快速更新循环数值预报系统(BJ-RUC)对复杂地形风电场风速预报能力存在局限性,主要表现在预报风速的阵性变化相对较小、风速偏大;经卡尔曼滤波方法订正后,数值模式对风速的阵性预报能力增强,预测风速威布尔分布的形状参数和尺度参数逼近实况风速的分布参数,实况风速和预测风速相关系数最大可提高约15%;预报风速的绝对误差、均方根误差也得到了改善,可降至1. 30 m·s~(-1)和1. 66 m·s~(-1)。     

基于小波分解和最小二乘支持向量机的大气臭氧含量时间序列预测

基于小波分解(WT)和最小二乘支持向量机(LSSVM)理论,建立了将二者相结合的大气臭氧含量时间序列预测模型。采用香河等4个观测站的月平均臭氧总量观测样本,经小波分解为不同频段的子序列,将这些子序列分别进行LSSVM预测,最后经小波重构得到月平均臭氧总量时间序列预测结果。实验表明该方法能有效预测大气臭氧含量,与支持向量机(SVM)以及人工神经网络(ANN)的预测结果相比,该方法具有较高的预测精度。     

多步预测的小波神经网络预报模型

采用小波分析与人工神经网络相结合的方法，进行了一种新的非线性长期预报模 型研究。结果表明，所构造的小波神经网络多步预测模型对历史样本具有很好的拟合效果， 独立样本的预报效果也令人满意。并且，该预报模型具有误差收敛快，预报时效长以及建 模所需阶数低等显著优点，具有很好的研究前景。     

集成CFD与Kalman滤波的微尺度风电场风功率预报方法

基于Kalman滤波的风功率预测方法难以捕获风电场的风力空间分布特征,集成计算流体力学CFD模型和Kalman滤波能将风资源分布纳入风力发电预报框架,对提高微尺度风能利用率有重要意义。以黄土高原沟壑区的中国华电集团公司甘肃省环县南湫风电场为研究区,首先利用CFD模拟风电场风速分布特征和划分风区,再利用Kalman滤波订正BJ-RUC模式预报的各风区长时间序列风速变化,并对比不同风区的订正效果,最终基于发电能力评估风电场的风功率预报效果与效益。结果表明:(1)风电场内部的风机均不同程度地受到复杂地形的影响,围绕"马蹄形"山梁和山谷形成明显的"阶梯式"风区,风速差最高达2.78 m·s~(-1);(2)CFD与Kalman滤波的集成订正方法使风速预报准确率由BJ-RUC的20%~30%提高到90%以上,并使风功率预报准确率达到80%以上,显著提高了微尺度沟壑区风速-风功率预报精度;(3)风电场容量因子C_P平均在12.4%~16.8%之间,弃风率η为5.5%~17.5%,表明该电场的风功率预报精度明显受其发电效益制约;(4)还讨论了风电机组监控数据采集控制系统SCADA的数据质量、CFD计算效率和能源部门决策等不确定性因素对风速分区及风功率预报的影响。     

我国粮食产量综合预测系统

介绍了我国粮食产量综合预测方法及其预测系统的结构与特性。系统的模型体系包括气象预测模型、社会经济因素预测模型、社会经济和气象因子综合预测模型,通过实例分析了这３个不同预测模型的历史拟合情况和预报效果。结果表明,综合模型的预测效果比单一模型好,但其业务化程度较低,需要进一步改进。     

基于最小二乘支持向量机的副热带高压预测模型

采用EOF时空分解、小波频牢分解和最小二乘支持向量机（LS-SVM）交叉互补方法,建立夏季500 hPa位势高度场的预测模型,用以描绘和表述副热带高压形势场的形态和变化。首先用经验正交函数分解（EOF）方法将NCEP/NCAR再分析资料500 hPa位势高度场序列分解为彼此正交的特征向量及其对应时间系数,随后提取前15个主要特征向龟的时间系数（方差贡献96.2%）,采用小波分解方法将其分解为相对简单的带通信号,再利用LS-SVM方法建立各分量信号的预测模型,最后通过小波时频分量重构和EOF时空重构,得到500hPa位势高度场的预测结果以及副热带高压形势场的预测。通过对预测模型的试验情况和分析对比,结果表明:基于上述思想提出的算法模型能较为准确地描述500 hPa位势高度场的形态分布并预测1~7 d的副热带高压活动,对10~15 d的副热带高压活动预测结果也有参考意义。