多频率尺度下的风电场短期风速预测融合算法

一种短期风电功率集成预测方法张颖超;郭晓杰;叶小岭;邓华【期刊名称】《电力系统保护与控制》【年(卷),期】2016(044)007【摘要】为提高短期风电功率预测精度，缩短模型训练时间，提出了一种短期风电功率集成预测方法。

根据风速功率曲线和风速频率特征，将风速划分为高、中、低三段，并对每段的风速功率特征进行统计分析。

高、低风速段功率波动较大，使用最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)方法可取得较高的预测精度。

中风速段风速数据点较多，且风速和功率有明显的物理关系，使用高斯(Gaussian)模型预测。

并用风速功率等级表对各段预测的结果进行订正，保证了算法的稳定性。

用上海某风电场2014年的历史数据，验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。

与LSSVM 预测方法相比较，集成预测方法既提高了预测精度又缩短了预测时间，适合风电场短期功率的实时预测。

%An integrated forecasting method of short-term wind power is presented for improving prediction accuracy and shortening the model training time. Based on the characteristic of wind power curve and wind speed frequency, the wind speed is divided into high, medium and low three segments, and each wind power characteristic is analyzed. As the predicted power shows larger fluctuated statuses in segments of high and low wind speed, so Least Squares Support Vector Machine is used to achieve better prediction accuracy. Much more data can be accessed in the medium segment, and there is an obvious physicalrelationship between wind speed and power, so Gaussian Model is used under this sort of circumstance. At the same time, the level table of wind and power is used to revise the predicted power in each section to ensure the stability of the algorithm. The rationality of Gaussian model and selection of algorithm in high, medium and low segment is verified by using the historical data of a wind farm of Shanghai in 2014. The simulated result compared with LSSVM’S shows that the proposed algorithm can not only improve the prediction accuracy, but also shorten the model training time. It can be well used to predict short-term wind power in real-time.【总页数】6页(P90-95)【作者】张颖超;郭晓杰;叶小岭;邓华【作者单位】南京信息工程大学信息与控制学院，江苏南京 210044; 南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京 210044;南京信息工程大学信息与控制学院，江苏南京 210044;南京信息工程大学信息与控制学院，江苏南京 210044; 南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京 210044;南京信息工程大学信息与控制学院，江苏南京 210044; 南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏南京 210044【正文语种】中文【相关文献】1.一种多输出模型的风电功率超短期预测方法 [J], 杨茂;董骏城2.一种基于改进GPR和Bagging的短期风电功率组合预测方法 [J], 张颖超;郭晓杰;邓华3.一种基于径向基神经网络的短期风电功率直接预测方法 [J], 马斌;张丽艳4.一种基于改进的HHT短期风电功率预测方法 [J], 宁康;廖晓辉5.一种短期风电功率组合预测方法 [J], 曹权; 李岩; 李双明因版权原因，仅展示原文概要，查看原文内容请购买。

专利名称：风电场短期风速预测方法
专利类型：发明专利
发明人：杨启明,胡杨,冒烨颖,淦克亮,赵建,吴俊兴,黄政宇,杨晓伟,叶忆,马骏昶,宗师畅
申请号：CN202011527204.2
申请日：20201222
公开号：CN112613657A
公开日：
20210406
专利内容由知识产权出版社提供
摘要：本发明涉及一种风电场短期风速预测方法，该方法获取目标站点的风速时空特征数据后，首先进行数据清理及归一化处理；然后通过变分模态分解风速时域特征，得到结合空域特征的固有模态分量；进一步地，应用一级Attention的LSTM对分量的空域特征进行编码，之后应用二级Attention的LSTM对分量的时域特征进行解码，得到各分量的预测值；最后对各预测值反归一化处理并叠加后，得到最终的风速预测结果。

本发明充分利用风速的时空相关性，结合VMD和基于Attention的LSTM网络，改善原始风速的不平稳特性，有效提高风速预测精度，可以优化包含风电场的电网调度性能并保障电力系统安全、可靠、经济地运行。

申请人：国网江苏省电力有限公司苏州供电分公司,国电南瑞南京控制系统有限公司
地址：215004 江苏省苏州市劳动路555号
国籍：CN
代理机构：苏州创元专利商标事务所有限公司
代理人：孙仿卫
更多信息请下载全文后查看。

风电场多时间尺度组合的风速预测方法研究一、引言风能作为一种清洁、可再生的能源，正逐渐成为人们广泛关注的焦点。

因此，风能的有效利用对于实现能源可持续发展具有重要意义。

然而，由于风能具有高度不确定性和时空变化性，预测风速成为风电场运营和管理过程中的关键问题。

本文旨在研究风电场多时间尺度组合的风速预测方法，通过多尺度的融合，提高风速预测的准确性和可靠性。

二、时间尺度组合方法概述时间尺度组合方法通过综合利用多个时间尺度的风速数据，获得更准确的预测结果。

它可以分为基于统计学的方法和基于机器学习的方法。

2.1 基于统计学的方法基于统计学的方法主要利用时间序列分析和回归分析来对风速进行建模和预测。

常用的方法包括自回归移动平均（ARMA）模型、自回归条件异方差（ARCH）模型和广义自回归条件异方差（GARCH）模型等。

这些模型能够捕捉到时间序列数据中的相关性和方差性，并利用历史数据对未来的风速进行预测。

2.2 基于机器学习的方法基于机器学习的方法通过训练模型来预测未来的风速。

常用的算法包括人工神经网络（ANN）、支持向量机（SVM）和随机森林（RF）等。

这些方法通过对历史数据进行学习，建立模型来预测未知数据。

与统计学方法相比，机器学习方法在利用非线性关系和处理大量数据方面具有优势。

三、多时间尺度组合方法研究在实际应用中，单一时间尺度的预测方法往往无法满足要求，因此需要将多个时间尺度的预测结果进行组合。

这种组合方法可以分为两种：基于加权平均的方法和基于组合模型的方法。

3.1 基于加权平均的方法基于加权平均的方法通过对不同时间尺度的预测结果进行加权平均来得到最终的预测结果。

通常，较短时间尺度的预测结果具有更高的权重，因为短期内的风速变化对于风电场运营和管理更为重要。

而较长时间尺度的预测结果则用于修正和调整短期预测结果。

这种方法简单直观，但需要确定权重的选择方法。

3.2 基于组合模型的方法基于组合模型的方法将不同时间尺度的预测模型进行集成，得到更准确和可靠的预测结果。

《风电场功率超短期预测算法优化研究》篇一一、引言随着全球对可再生能源的日益关注，风电作为清洁能源的代表，其发展势头迅猛。

然而，风电的间歇性和随机性给电网的稳定运行带来了挑战。

因此，对风电场功率进行超短期预测，成为提升风能利用效率和电网调度管理水平的关键。

本文针对风电场功率超短期预测算法的优化进行研究，以期提高预测精度和效率。

二、风电场功率预测研究现状目前，风电场功率预测主要依赖数值天气预报数据和风电机组自身的运行数据。

传统的预测方法包括物理方法、统计方法和组合方法等。

这些方法在一定的时间和空间尺度上取得了一定的预测效果，但仍然存在预测精度不高、对复杂气象条件适应性不强等问题。

三、超短期预测算法优化必要性超短期预测是指在较短的时间尺度内对风电场功率进行预测，通常为几分钟至几小时。

由于时间尺度的缩短，预测的精度和实时性要求更高。

因此，对超短期预测算法进行优化，提高预测精度和响应速度，对于提升风能利用效率和电网调度管理水平具有重要意义。

四、算法优化方法1. 数据预处理方法优化：通过数据清洗、特征提取和降维等技术，提高输入数据的准确性和可靠性，为算法提供高质量的数据支持。

2. 算法模型优化：引入先进的机器学习算法和人工智能技术，如深度学习、支持向量机等，建立更加精确的预测模型。

同时，结合风电机组的实际运行数据和气象数据，对模型进行训练和优化。

3. 模型融合技术：将多种预测方法进行融合，利用各自的优势互补，提高预测精度。

例如，可以将物理方法和统计方法进行融合，或者将不同时间尺度的预测结果进行融合。

4. 实时更新机制：建立实时更新机制，根据实时的气象数据和风电机组的运行状态，对预测模型进行实时调整和优化。

五、实验与分析本文采用某风电场的实际运行数据和气象数据，对优化的超短期预测算法进行实验验证。

实验结果表明，经过数据预处理和模型优化的算法，在超短期功率预测方面取得了显著的成效。

与传统的预测方法相比，新算法的预测精度和响应速度均有显著提高。

风电场短期风速变化区间与变化趋势预测算法陈伟;郭建鹏;裴喜平;李恒杰;张萍;肖骏【期刊名称】《电力系统及其自动化学报》【年(卷),期】2015(027)009【摘要】风电场短期风速区间预测对风电场与电力系统的协调运行具有重要意义,基于模糊信息粒化和最小二乘支持向量机提出了一种短期风速区间预测算法.首先对风速时间序列进行Witold Pedrycz模糊信息粒化,得到3个模糊粒子Lo、R和Up,分别代表风速区间的最小值、变化趋势和最大值,然后利用最小二乘支持向量机回归预测模型对粒化数据进行回归预测.实例分析结果表明,该算法提高了预测精度和效率,可以有效地预测风电场短期风速的变化区间和变化趋势.【总页数】6页(P47-52)【作者】陈伟;郭建鹏;裴喜平;李恒杰;张萍;肖骏【作者单位】兰州理工大学电气工程与信息工程学院,兰州730050;兰州理工大学电气工程与信息工程学院,兰州730050;兰州理工大学电气工程与信息工程学院,兰州730050;兰州理工大学电气工程与信息工程学院,兰州730050;兰州理工大学电气工程与信息工程学院,兰州730050;甘肃省电力公司电力科学研究院,兰州730050【正文语种】中文【中图分类】TM614【相关文献】1.基于改进新陈代谢GM(1,1)模型的短期风速预测算法 [J], 靳小钊;王娟娟;赵闻蕾2.基于风速-功率拟合与区间潮流的风电场电压波动预测 [J], 吴丹岳;李兆祥;邵振国3.基于灰色系统 GM（1，1）模型的短期风速预测算法 [J], 靳小钊;王娟娟;赵闻蕾4.风电场短期风速区间预测 [J], 赵辉;周杰;王红君;岳有军5.风电场短期风速区间预测 [J], 赵辉; 周杰; 王红君; 岳有军因版权原因，仅展示原文概要，查看原文内容请购买。

风电场短期风速预测的MRA-SVM模型
杨亚兰;徐耀良;钟绍山;谢江媛
【期刊名称】《电力系统及其自动化学报》
【年(卷),期】2014(026)005
【摘要】为了提高风电场短期风速的预测精度,提出了基于多分辨率分析和支持向量机(MRA-SVM)的预测模型.模型以历史风速序列为输入对数据进行多分辨率分析,用支持向量机对分解后的单支序列分别回归预测,叠加各序列的预测结果即为最终预测值.通过对某风场10 d的实测风速进行分析,预测了未来4h的风速.用均方根误差和平均绝对百分比误差对模型进行评价,与单一的SVM方法相比,提高了预测精度.实验证明,模型具有较强的风速预测能力,能普遍适用于风速的短期预测.
【总页数】6页(P44-49)
【作者】杨亚兰;徐耀良;钟绍山;谢江媛
【作者单位】上海电力学院电力与自动化工程学院,上海 200090;上海电力学院电力与自动化工程学院,上海 200090;上海电力学院电力与自动化工程学院,上海200090;上海电力学院电力与自动化工程学院,上海 200090
【正文语种】中文
【中图分类】TM614
【相关文献】
1.基于粗糙集和RBF神经网络的风电场短期风速预测模型 [J], 王莉;王德明;张广明;周献中
2.基于统计聚类与时序分析的风电场短期风速预测模型 [J], 陈勤勤;陈国初
3.新投产风电场的短期风速预测模型建立 [J], 陈欣;孙翰墨;申烛;孟凯锋;岳捷
4.基于经验模式分解的风电场短期风速预测模型 [J], 栗然;王粤;肖进永
5.基于差分自回归滑动平均模型的风电场短期风速预测 [J], 孟天星;张厚升
因版权原因，仅展示原文概要，查看原文内容请购买。

风电场短期风速的集成学习预测模型胡倩;陈红坤;孙志达【摘要】准确的风电场风速预测对含大规模风电的电力系统安全稳定运行具有重要意义.针对时间序列法、卡尔曼滤波法、神经网络法等单一预测模型预测精度不高的问题,引入集成学习的分析方法,提出了一种基于Ada-boost算法改进的支持向量机(SVM)短期风速预测方法.该算法使用多个SVM模型通过加权累加得到最终输出,弥补了单一预测模型的缺陷.同时引入隶属度函数,通过赋予历史数据样本不同的权重来突出不同时间样本在预测模型中的差异性.以内蒙古风电场的实际采集数据为算例进行测试,结果表明模型预测精度显著提高,为实现更准确的在线短期风速预测提供了可能.【期刊名称】《电力系统及其自动化学报》【年(卷),期】2016(028)001【总页数】4页(P1-4)【关键词】短期风速预测;集成学习;动态权重;隶属度函数;支持向量机【作者】胡倩;陈红坤;孙志达【作者单位】武汉大学电气工程学院,武汉430072;武汉大学电气工程学院,武汉430072;武汉大学电气工程学院,武汉430072【正文语种】中文【中图分类】TM835随着能源问题和环境问题的日益突出，风能作为重要和最成熟的可再生能源技术，因其蕴藏量丰富、可再生、分布广、无污染等特性，成为可再生能源发展的重要方向。

但随着风电比例的增加，风能具有的随机性、间歇性给电力系统的安全稳定和调度控制带来了很大的困难。

如果能对风电场风速和风电功率进行准确预测，不仅有利于电力系统的运行和控制，还能降低旋转备用容量，有效提高电网接纳风电的能力［1-2］。

目前风电场短期风速的预测方法主要可以分为物理模型预测和统计学模型预测。

物理预测方法主要是基于数值天气预报和考虑地理环境影响的物理建模，其模型复杂，计算难度大；统计预测方法主要有时间序列法、卡尔曼滤波法、神经网络法、支持向量机等数学方法和智能算法［3-6］，其中应用最广泛的是神经网络和支持向量机理论。

风电场中的风速预测算法研究随着清洁能源的不断发展和利用，风电发电已经成为重要的可再生能源之一。

风电场的利用率和发电效益与风速密切相关。

因此，准确预测风速对风电场的运营和发电计划具有重要意义。

本文将研究风电场中的风速预测算法，以提高风电场的运行效率和经济效益。

一、传统的风速预测方法1. 统计模型方法统计模型方法通常通过统计历史风速数据来预测未来的风速。

其中最常用的方法是基于回归模型的预测方法，如线性回归、多元线性回归和逻辑回归等。

此外，还有基于时间序列模型的预测方法，如ARIMA和ARCH等。

统计模型方法简单易行，但对数据的要求较高，且不能很好地捕捉到风速的变化趋势和周期性。

2. 物理模型方法物理模型方法基于气象学和风力学原理，通过建立风速预测的物理模型来进行预测。

常见的物理模型方法包括数值模拟模型和解析模型。

数值模拟模型包括CFD模型和天气模型等，可以较准确地模拟风场的变化，但计算量大，耗时长。

解析模型则利用风速与气象因素的关系进行分析和推导，通常使用数学方程来拟合风速变化。

物理模型方法准确性较高，但对于模型建立和参数确定较为困难。

二、基于机器学习的风速预测算法近年来，随着机器学习技术的快速发展，越来越多的研究者开始应用机器学习算法来预测风速。

基于机器学习的风速预测算法主要包括以下几种：1. 支持向量机（Support Vector Machine，SVM）SVM是一种监督学习算法，通过将样本映射到高维空间并找到最佳的超平面来进行分类或回归。

在风速预测中，可以将历史风速数据作为训练样本，通过SVM算法来建立风速预测模型。

SVM算法能够处理高维数据，具有较好的泛化性能，在风速预测中得到了广泛应用。

2. 人工神经网络（Artificial Neural Network，ANN）ANN模型是一种模拟人脑神经系统工作原理的算法，通过一系列的神经元层次结构来建立复杂的非线性模型。

在风速预测中，可以利用历史风速数据训练ANN模型，然后进行未来风速的预测。

多时空尺度的风力发电预测方法综述多时空尺度的风力发电预测方法综述近年来，随着全球对可再生能源的需求越来越大，风力发电作为一种清洁、可再生的能源形式迅速发展起来。

然而，风力发电的波动性和不确定性给电网的稳定性带来了挑战。

为了应对这一问题，风力发电预测成为了提高电网安全运行和效率的重要手段之一。

本文将综述多时空尺度的风力发电预测方法，包括常用的统计模型和机器学习方法。

首先，风力发电预测可以分为短期预测和长期预测。

短期预测的时间尺度通常为几小时到几天，其主要目的是为电网调度提供准确的风力发电功率预测。

常用的方法包括时间序列模型（如自回归模型和指数平滑模型）和灰色预测模型。

时间序列模型通过分析历史风力发电功率数据的趋势和周期性，预测未来一段时间内的功率水平。

而灰色预测模型则基于少量历史数据进行预测，适用于数据稀缺的情况。

长期预测的时间尺度一般为几天到几个月，其主要用于规划风力发电场的容量和位置选择。

常用的方法包括基于物理模型的预测和基于气象模型的预测。

基于物理模型的预测通过考虑风力机结构、风场复杂性等因素来估计风力发电功率。

该方法需要大量的气象和工程参数，计算复杂度较高。

基于气象模型的预测则利用气象数据、风场模型等信息来模拟风力发电场的功率输出，具有较高的预测准确性，但计算量较大。

另外，风力发电预测还可以根据空间尺度进行分类。

局地预测主要针对单个风力发电机组或小型风电场，常用的方法包括基于物理模型的预测和基于统计模型的预测。

基于物理模型的预测通过考虑风机的结构、特性等参数，估计风力发电功率。

而基于统计模型的预测则根据历史功率和气象数据，建立统计模型进行预测。

区域预测主要针对整个风电场或风力发电系统，常用的方法包括基于回归模型的预测和基于机器学习的预测。

基于回归模型的预测通过分析风力发电功率与气象因素之间的关系建立回归方程进行预测。

基于机器学习的预测则利用大量的历史数据和气象信息，通过训练模型来预测未来的功率水平。