检索结果-内蒙古大学图书馆

高电压技术 2025年第1期51卷 379-389页

作者：宫婷车建峰王勃柴荣繁杨耘博可再生能源并网全国重点实验室(中国电力科学研究院有限公司) 北京100192

随着国家“双碳”目标的持续推进,风力发电装机占比持续增高,强随机波动的大规模风电出力给电力系统的“保消纳、保供电”带来严峻挑战,高精度的风电功率预测是解决上述挑战的重要基础手段,风电场和电网调度中心均将持续提升风电功率预... 详细信息

随着国家“双碳”目标的持续推进,风力发电装机占比持续增高,强随机波动的大规模风电出力给电力系统的“保消纳、保供电”带来严峻挑战,高精度的风电功率预测是解决上述挑战的重要基础手段,风电场和电网调度中心均将持续提升风电功率预测精度视为长期重点工作。为此,提出一种基于短期风电功率预测误差分布特性统计与波动特性分析的风电功率预测修正方法。首先,考虑误差时序-条件特点对误差进行基于改进非参数核密度估计法(kernel density estimation,KDE)的误差概率密度分布特性分析,得出不同置信水平下的风电功率预测置信区间,以实现预测误差的分层划分。其次,采用变分模态分解算法(variational mode decomposition,VMD)将风电功率预测误差序列分解为趋势分量和随机分量,针对2类误差分量特点展开分类预测,并对最终所得误差结果进行波动性分析。最后,结合误差分层划分结果与误差波动特性分析进行综合判断,提出针对各类情况的误差补偿方案,从而获得修正后的短期风电功率预测值。实际算例表明,所提误差补偿方法可将风电功率月均方根误差较补偿前减少2.6个百分点,平均绝对误差较补偿前减少2.4个百分点,该方法能够有效减小风电功率预测误差,提升短期风电功率预测精度。

关键词：短期风电功率预测误差概率分布误差分层分析误差波动性分析误差分解-重构预测误差修正

来源：评论

学校读者我要写书评

暂无评论

基于CEEMDAN⁃TCN的短期风电功率预测研究

引用

现代电子技术 2025年第2期48卷 97-102页

作者：李敖冉华军李林蔚王新权高越三峡大学电气与新能源学院湖北宜昌443002

风力发电作为可再生能源的重要组成部分,在电力系统规划和日常运行中扮演着重要的角色,准确的短期风电功率预测对于电网的稳定运行和优化调度具有重要意义。为提高短期风电功率预测的准确性,提出一种基于自适应噪声完备集合经验模态分... 详细信息

风力发电作为可再生能源的重要组成部分,在电力系统规划和日常运行中扮演着重要的角色,准确的短期风电功率预测对于电网的稳定运行和优化调度具有重要意义。为提高短期风电功率预测的准确性,提出一种基于自适应噪声完备集合经验模态分解和时间卷积网络的短期风电功率预测方法。首先利用自适应噪声完备集合经验模态分解对初始风电功率数据进行分解,得到多个相对稳定的子数据序列;然后将其分别作为时间卷积网络的输入,利用时间卷积网络模型进行特征提取和功率预测;最后将所有预测值进行汇总,得到最终的功率预测值。使用宁夏某地区真实风电功率数据进行验证,并与传统预测模型比较,结果表明所提方法具有较高的预测精度,可为风电功率短期预测等相关工作提供相关参考。

关键词：短期风电功率预测自适应噪声的完备集合经验模态分解(CEEMDAN) 时间卷积网络(TCN) 特征提取预测精度时间序列分析

来源：评论

学校读者我要写书评

暂无评论

基于组合模态分解与IGWO-BiLSTM的短期风电功率预测

引用

计算机测量与控制 2025年

作者：任爽姚大学刘俊享程天祥东北石油大学电气信息工程学院

为了提高双向长短期记忆神经网络(BiLSTM)进行风电功率预测的精度，针对BiLSTM存在的参数优化问题，通过引入透镜成像反向学习进行种群初始化、改进收敛方式、并结合柯西变异算法，改进了传统的灰狼算法(GWO)来优化BiLSTM超参数，并基于... 详细信息

为了提高双向长短期记忆神经网络(BiLSTM)进行风电功率预测的精度，针对BiLSTM存在的参数优化问题，通过引入透镜成像反向学习进行种群初始化、改进收敛方式、并结合柯西变异算法，改进了传统的灰狼算法(GWO)来优化BiLSTM超参数，并基于ICEEMDAN-VMD组合模态分解和改进后的GWO算法提出了一种ICEEMDAN-VMD-IGWO-BiLSTM组合预测模型；在我国西北地区某风场公开数据集上做了验证，实验结果表明：ICEEMDAN-VMD-IGWO-BiLSTM组合模型的MAE、MSE、RMSE分别为4.9189MW、32.3683MW、5.6893MW；相较于CNN-LSTM、CNN-BiLSTM神经网络模型以及其他组合模型在预测精度上都有明显的提升，能很好的解决风电预测精度不高的问题。

关键词：短期风电功率预测改进灰狼算法分解技术样本熵双向长短期记忆神经网络

来源：评论

学校读者我要写书评

暂无评论

短期风电功率预测误差综合评价方法

引用

电力系统自动化 2011年第12期35卷 20-26页

作者：徐曼乔颖鲁宗相电力系统国家重点实验室清华大学电机系北京市100084

对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提。当前风电功率预测误差评价主要采用均值类指标,无法全面、准确反映预测系统的运行情况。文中总结了风电功率预测误差的主要存在形式,提出了一套包含纵... 详细信息

对短期风电功率预测误差进行综合评价是改进预测精度、指导预测结果合理应用的前提。当前风电功率预测误差评价主要采用均值类指标,无法全面、准确反映预测系统的运行情况。文中总结了风电功率预测误差的主要存在形式,提出了一套包含纵向误差、横向误差、相关因子与极端误差等在内的综合评价方法。基于内蒙古某风电场实际数据,采用该方法对不同预测方法、预测系统的不同误差环节进行了较为全面的评价,验证了评价指标的指导价值。

关键词：短期风电功率预测误差评价误差指标数值天气预报

来源：评论

学校读者我要写书评

暂无评论

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

引用

电网技术 2013年第4期37卷 974-980页

作者：陈道君龚庆武金朝意张静王定美武汉大学电气工程学院湖北省武汉市430072 南京南瑞继保电气有限公司江苏省南京市211100 甘肃省电力公司风电技术中心甘肃省兰州市730050

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm opt... 详细信息

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

关键词：短期风电功率预测学习参数选择自适应扰动量子粒子群优化算法支持向量回归机

来源：评论

学校读者我要写书评

暂无评论

基于TCN-ECANet-Informer的短期风电功率预测

引用

青海大学学报 2025年第2期 85-91页

作者：周帅飞张万宏张妍青海大学机械工程学院青海大学智能化系统实验室西北民族大学电气工程学院青海大学化工学院

针对短期风电功率预测中不能捕捉局部、全局特征导致预测精度低的问题，提出一种基于TCN-ECANet与Informer的集成模型。首先，利用时域卷积网络(TCN)捕捉短期波动的局部依赖性，结合高效通道注意力网络(ECANet)动态调整特征权重，增强... 详细信息

针对短期风电功率预测中不能捕捉局部、全局特征导致预测精度低的问题，提出一种基于TCN-ECANet与Informer的集成模型。首先，利用时域卷积网络(TCN)捕捉短期波动的局部依赖性，结合高效通道注意力网络(ECANet)动态调整特征权重，增强关键信息的提取并抑制冗余信息，增强TCN捕获的局部特征；然后，将原始数据与ECANet增强过的局部特征数据输入到Informer,以此提升模型在捕捉局部特征方面的能力，从而实现对局部、全局特征的全面捕捉；最后，采用多个模型进行对比实验。结果表明：TCN-ECANet-Informer模型相较于Informer模型，平均绝对误差与均方误差分别降低了5.23%和11.26%,决定系数达到了98.4%。这表明该模型提取到了数据的局部、全局特征，提高了短期风电功率预测精度。

关键词：短期风电功率预测集成模型时域卷积网络 Informer 高效通道注意力网络

来源：评论

学校读者我要写书评

暂无评论

采用特征优选和优化深层核极限学习机的短期风电功率预测

引用

西安交通大学学报 2023年第1期57卷 66-77页

作者：商立群黄辰浩侯亚东李洪波惠泽张建涛西安科技大学电气与控制工程学院西安710054

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题,提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测。利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集,既能表达风电功率的有效信息,... 详细信息

针对风电出力非线性、不稳定且用传统方法难以准确预测的问题,提出了一种基于对深层混合核极限学习机(DHKELM)参数进行优化的短期风电功率预测。利用核主成分分析(KPCA)方法进行特征优选得到的最优特征集,既能表达风电功率的有效信息,也能避免冗余信息的出现,有利于DHKELM模型的学习与训练,同时也降低了模型的复杂度。针对DHKELM超参数难确定的问题,利用改进的野犬优化算法(IDOA)对DHKELM的8个超参数进行寻优,可以发掘原始序列特征信息,从而使模型能够充分掌握数值天气预报(NWP)与风电功率之间的非线性关系。以国外某风电场真实数据为算例,结果表明:提出的预测模型相较于野犬算法、差分进化算法和粒子群优化算法的平均绝对百分比误差(MAPE)分别降低了0.979 3%、2.342 1%、3.383 2%,有效提高了风电功率的预测精度。

关键词：短期风电功率预测深层混合核极限学习机改进的野犬优化算法特征优选核主成分分析

来源：评论

学校读者我要写书评

暂无评论

考虑多位置NWP和非典型特征的短期风电功率预测研究

引用

电网技术 2018年第10期42卷 3234-3240页

作者：宋家康彭勇刚蔡宏达夏杨红王晓明浙江大学电气工程学院

数值天气预报（numerical weather prediction,NWP）是短期风电功率预测模型的主要输入。通常,传统模型只考虑NWP的风速、风向、温度、湿度、压强这5类典型特征,且多数在单位置NWP的基础上建立。因此,为充分利用NWP信息,研究了NWP非典... 详细信息

数值天气预报（numerical weather prediction,NWP）是短期风电功率预测模型的主要输入。通常,传统模型只考虑NWP的风速、风向、温度、湿度、压强这5类典型特征,且多数在单位置NWP的基础上建立。因此,为充分利用NWP信息,研究了NWP非典型特征的可用性,并考虑了多个位置的NWP信息。在考虑多位置NWP及非典型特征时,提出了以最大相关-最小冗余原则提取输入变量的预测方法,并和通过主成分分析提取的方法进行对比。结果表明,多位置NWP和非典型特征均包含有效信息,有利于提高预测精度。而在考虑多位置NWP和非典型特征时,以最大相关-最小冗余原则建立的模型比通过主成分分析建立的模型预测精度更高,其均方根误差较只考虑单位置NWP和典型特征时降低了1.84%。

关键词：短期风电功率预测非典型特征多位置特征选择数值天气预报

来源：评论

学校读者我要写书评

暂无评论

短期风电功率预测方法研究

短期风电功率预测方法研究

引用

作者：吕菁上海电机学院

学位级别：硕士

随着科学技术的进步,经济的发展需要大量的能源作为物质基础。传统的化石能源因其有限的总量而出现能源与经济的供需不平衡关系。同时,化石能源的燃烧会产生大量有害物质,危害全球生态环境。为了解决化石能源短缺以及环境恶化等问题,积... 详细信息

随着科学技术的进步,经济的发展需要大量的能源作为物质基础。传统的化石能源因其有限的总量而出现能源与经济的供需不平衡关系。同时,化石能源的燃烧会产生大量有害物质,危害全球生态环境。为了解决化石能源短缺以及环境恶化等问题,积极发展可再生能源技术成为全球各国共识。风能因其低碳,经济,绿色的特点得到大力发展,逐步成为可再生能源主体。随着风电技术的大力发展,风电项目应用落地,如何最大限度开发风电资源对全球绿色经济发展至关重要。环境因素对风力发电有重要的影响,风电不但具有波动性,而且具有随机性,所以给风电并网带来困难。人类为了更好地利用风电资源,提高风电资源的利用率,减少弃风现象,降低风力发电对电力系统稳定性的影响,研究探索高效安全的风电功率预测技术是当下解决风电不确定性影响的重要环节之一。如何提高风电功率点预测精度,以及刻画风电功率输出的波动性是当下研究热点方向。这些年来,人类在人工智能领域进步很快,基于神经网络的风电功率预测技术逐渐成为风电功率预测主流方向。其中,长短期记忆网络（Long short-term memory network,LSTM）因其独有的结构特征,在时间序列方向得到大力发展。本文基于东北某风电场历史数据,对LSTM神经网络在风力发电预测应用上进行探索。同时,利用分位数回归理论对风电不确定性预测方面进行了研究。本文主要工作如下:（1）首先,基于原始数据,研究相关数据预处理方法。分析挖掘历史数据中潜在的关键特征。同时采用了基于阈值的异常处理法对原始数据进行清理,建立有效的“清洁”历史数据集。（2）其次,提出一种基于CEEMD-LSTM-Adaboost的短期风电功率集成预测方法。该方法利用CEEMD降噪,Adaboost集成学习特征对LSTM预测能力进行改善,提升了短期风电功率点预测精度。（3）最后,在点预测基础上探索研究了短期风电功率区间预测方法。提出了一种基于LASSO的分位数回归区间预测方法。该方法基于历史数据,采用LASSO筛选影响风电功率预测的强相关因子,消去了人为主观性。同时结合分位数回归理论,预测出不同条件分位数下的短期风电功率值,进而生成风电功率预测区间。基于LASSO的分位数区间预测提供了未来风电功率的波动范围,有效刻画了风电功率的不确定性,为电力系统调度提供了有力指导。

关键词：长短期记忆网络集成学习区间预测分位数回归短期风电功率预测

来源：评论

学校读者我要写书评

暂无评论

基于麻雀搜索算法优化变分模态分解和混合核极限学习机的短期风电功率预测

引用

信息与控制 2023年第4期52卷 444-454页

作者：王瑞徐新超逯静河南理工大学计算机科学与技术学院河南焦作454000

为提高风电功率的预测精度,提出了一种变分模态分解(variational mode decomposition,VMD)和混合核极限学习机(hybrid kernel extreme learning machine,HKELM)相结合的短期风电功率预测方法。针对VMD和HKELM参数难调问题,以及实现两算... 详细信息

为提高风电功率的预测精度,提出了一种变分模态分解(variational mode decomposition,VMD)和混合核极限学习机(hybrid kernel extreme learning machine,HKELM)相结合的短期风电功率预测方法。针对VMD和HKELM参数难调问题,以及实现两算法参数的自适应选择,采用麻雀搜索算法(sparrow search algorithm,SSA)对两种算法中的关键参数进行优化。首先,基于3种信号分解指标设计SSA优化VMD的适应度函数,对VMD关键参数进行寻优,利用优化后的VMD将风电功率分解为一组平稳子分量。然后,结合径向基核函数与多项式核函数优点组成混合核函数,对各分量结合气象特征分别建立兼顾学习与泛化能力的HKELM预测模型,并使用SSA对模型参数进行寻优,以充分发挥模型性能。最后,将各分量预测值叠加,得到最终预测结果。以中国内蒙古某风电场实际数据进行仿真实验,结果表明,该方法相比于其他预测方法具有更高的预测精度。

关键词：短期风电功率预测麻雀搜索算法变分模态分解混合核函数核极限学习机

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：