采用正则化极限学习机的短期风速预测

基于特征选择的RELM风速短期预测
王琦;秦本双
【期刊名称】《可再生能源》
【年(卷),期】2017(035)008
【摘要】准确的风速预测是风电场功率预测的基础,对大规模风电并网具有重要的价值.文章提出一种基于信息增益(IG)的正则化极限学习机(RELM)短期风速预测方法.首先采用信息增益对32维风速属性序列进行特征选择,并对其进行加权;然后将正则化系数引入极限学习机(ELM)网络,构建RELM风速预测模型;最后结合美国风能技术中心的实测数据进行仿真,与传统ELM网络、BP神经网络相比,该方法具有较高的准确性和预测精度.
【总页数】6页(P1215-1220)
【作者】王琦;秦本双
【作者单位】中国电力工程顾问集团东北电力设计院有限公司,吉林长春 130021;东北电力大学电气工程学院,吉林吉林 132012
【正文语种】中文
【中图分类】TK81
【相关文献】
1.基于KMO-Bartlett典型风速选取的PCA-WNN短期风速预测 [J], 解坤;张俊芳
2.基于风速时空信息的BP神经网络超短期风速预测研究 [J], 周建强;李玉娜;屈卫东;兰增林
3.基于特征选择谱聚类和优化支持向量机的短期风速预测 [J], 张国维;王丙乾
4.基于模糊信息粒化和长短期记忆网络的短期风速预测 [J], 殷豪;黄圣权;刘哲;孟安波;杨跞
5.基于变分模态分解与双向长短期记忆神经网络的超短期风速预测 [J], 刘宇;张雨飞;陈尚巧
因版权原因，仅展示原文概要，查看原文内容请购买。

基于极限学习机的短期风力发电预测朱抗;杨洪明;孟科【摘要】随着风力发电技术的发展,风能已成为最具吸引力的可再生能源发电资源之一.然而,由于风能资源具有间歇性和随机性的特点,风力发电系统并入电网将对电力系统的稳定运行和规划带来巨大的冲击和挑战.在此背景下,为了加强电力系统的稳定性和可靠性,提出基于极限学习机的短期风速预测技术,实现精确的风力发电预测.根据开源风速数据的仿真结果表明,该方法不仅能有效地捕捉风速数据的非线性特性,而且与大多数传统方法相比,所需计算时间更短.【期刊名称】《电力科学与技术学报》【年(卷),期】2019(034)002【总页数】6页(P106-111)【关键词】极限学习机;风力发电;风速预测【作者】朱抗;杨洪明;孟科【作者单位】长沙理工大学电气与信息工程学院,湖南长沙 410114;长沙理工大学电气与信息工程学院,湖南长沙 410114;长沙理工大学电气与信息工程学院,湖南长沙 410114【正文语种】中文【中图分类】TM73风力发电在过去数十年里受到广泛的关注，并成为常规发电中最具吸引力的可再生能源资源之一。

近年来，随着各种减排计划的实施，世界各地的风力发电场的数量也在不断增加[1]。

然而，由于风能资源具有间歇性和随机性的特点，当风能在整个供电系统中所占比例逐渐增大时，将给电力系统的稳定运行和规划带来巨大冲击[2]。

风速的变化直接影响风电场的功率输出，如果能准确预测风电场风速或风力发电功率，则有利于调整调度计划，从而有效减轻风力发电对整个电网的不利影响，减少电力系统运行成本和旋转备用，提高风电穿透功率极限。

随着大规模的风电并入电网，如何保证电力系统在得到最大化受益的同时，减少风力发电带来的冲击，相关领域的研究学者提出了许多方法。

大多数工作着眼于开发预测工具来预测风力发电功率。

由于风力发电量取决于风速和风向，而风速和风向又直接受大气压力、空气密度、空气湿度、气温和风力发电厂地表粗糙度等因素的影响，故需要在预测模型将这些环境数据作为输入变量。

基于特征选择的RELM风速短期预测一、简介RELM网络 (Regularized Extreme Learning Machine)是一种具有高性能的机器学习方法，它是一种单层前向神经网络，其具有高速、高效、可伸缩性和容易实现的优点，可以更好地适应大规模复杂数据集。

本文将介绍在风速短期预测中采用特征选择的RELM模型，希望能为风电发电提供一定的参考。

二、风速预测风速预测是实现风电发电的重要手段之一。

风速预测有助于优化风电发电的计划，从而提高能源使用效率，并减少生产中的经济损失。

风速预测问题与其他时间序列数据相关的预测问题一样，预测误差的大小和准确性对风电发电的影响较大。

三、特征选择在构建预测模型时，通常需要选择一些代表性高的特征进行预测。

准确的特征选择可以极大地提高模型的精度，减少不必要的误差。

对于风速预测，可能会涉及到多个因素，包括风速、风向、气压、温度等等。

在这些因素中选择最相关的特征，可以提高预测的准确性。

特征选择是通过计算某个特征与目标变量之间的相关性，选择相关性较高的特征，从而建立合适的模型。

常用的特征选择方法包括卡方检验、信息增益、互信息等。

特征选择可以减少特征维度，加快模型训练速度，提高模型的鲁棒性和泛化性能。

四、RELM模型RELM模型是一种单层前向神经网络，可以用于进行回归分析。

与传统神经网络相比，RELM模型具有更快的训练速度和更高的准确性。

在进行模型训练时，只需要一次性计算出随机初始化的输入层到输出层之间的参数，就可以得到一个高度准确的模型。

RELM模型的学习过程包括两个步骤：第一步是计算输入与隐层之间的权重和偏执值，第二步是计算隐层与输出层之间的权重和偏执值。

五、数据预处理在进行风速预测前，需要对原始数据进行样本的准备和数据的预处理。

对于风速预测问题，通常需要进行归一化处理和数据重采样。

归一化处理可以将数据压缩到0-1的范围内，从而使其更易于处理。

数据重采样可以使数据样本更加均匀，可以使模型的预测更加准确。

采用正则化极限学习机的短期风速预测袁翀;戚佳金;王文霞;黄南天【摘要】High efficient and accurate wind speed prediction is the basis of the wind farm power prediction,thus it is helpful to the control of the wind power and of great importance to the parallel operation of the wind farms.Considering that the wind speed time series has strong nonlinearity and volatility and it is very difficult to be predicted accurately,this paper proposes a new method of short-term wind speed forecasting based on the regularized extreme learning machine (regularized extreme learning machine,RELM.First of all,the autocorrelation function (ACF) is used to analyze the correlation of the wind speed time series and then the number embedded in the time dimension is obtained.And the forecast network parameters such as inputs,output and so on are determined and the RELM model is set up.Furthermore,by using the training set to determine the network parameters in the training process,the RELM prediction model is constructed.Finally,the RELM prediction model is used in the short-term wind speed prediction to obtain the prediction results.And the experiment is carried out with the wind speed data from the American wind energy technology center.The experiment results show that the new method has better prediction precision compared with the standard ELM and the traditional neural network.%高效、准确的风速预测是风电场功率预测的基础,对风力发电控制和风电场并网运行等具有重要意义.针对风速时间序列具有强烈的非线性和波动性,且难以精准预测的特点,提出一种基于正则化极限学习机(regularized extreme learning machine,RELM)的风电场短期风速预测新方法.首先,采用自相关函数(ACF)对风速时间序列的相关性进行分析,得到预测模型输入属性集合;其次,确定预测网络的输入、输出等参数,并建立RELM模型;再次,利用训练集在训练过程中确定网络参数,构建RELM预测模型;最后,以RELM预测模型开展短期风速预测,得出预测结果.采用美国风能技术中心的实测风电场风速数据开展实验证明,相对于标准的ELM和BP神经网络,新方法具有更好的预测精度.【期刊名称】《电网与清洁能源》【年(卷),期】2016(032)011【总页数】7页(P62-68)【关键词】ACF;风速;短期预测;RELM;正则化【作者】袁翀;戚佳金;王文霞;黄南天【作者单位】东北电力大学电气工程学院,吉林吉林132012;国网杭州供电公司,浙江杭州 310009;东北电力大学电气工程学院,吉林吉林132012;东北电力大学电气工程学院,吉林吉林132012【正文语种】中文【中图分类】TM614随着化石能源的大量消耗和世界性环保压力的日益增加，风能作为一种可再生、清洁能源受到各国的重视[1-6]。