|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测显示文摘准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。 | 叶瑞丽 郭志忠 刘瑞叶 刘建楠 | 2017 | 电工技术学报2017，32，21： | 98 |
| 2 | 基于粗糙集理论与D-S证据理论改进的多元回归负荷预测方法研究显示文摘当前,中长期负荷预测大多采用多元回归算法,但在建模时对影响因子及历史年的选择缺乏良好的依据,很难在考虑更多影响因子及历史年数据与降低回归模型误差之间做出平衡。这使多元回归算法在实际负荷预测中的精准度很不稳定。将粗糙集理论与D-S证据理论引入多元回归算法,利用粗糙集理论对影响因子进行重要性排序。分别以历史年和影响因子为对象进行聚类,以此建立多个多元回归模型。利用D-S证据理论对多个组合预测的权重分配方案进行权重融合,得出最终基于多元回归分析法的组合预测模型。经算例验证,该模型能较好地平衡影响因子和历史年的选取,能有效提高多元回归算法在中长期负荷预测中的准确性,适用性强。 | 陈毅波 郑玲 姚建刚 | 2016 | 电力系统保护与控制2016，44，6： | 35 |
| 3 | 基于谱聚类和优化极端学习机的超短期风速预测显示文摘较高精度的超短期风速预测是并网运行风电场风电功率预测预报系统建立和运行的必要前提及保证。由于风速影响因素众多,具有较大的波动性和随机性,并具有高度的自相关性,给传统的风速预测方法带来了极大的挑战。提出一种基于谱聚类和极端学习机的超短期风速预测方法。该方法首先利用小波变换和主成分分析对风速数据进行去噪和降维处理,剔除数据的不规则波动,有效降低数据维度;然后分别应用谱聚类对小波变换后的各分解序列进行聚类分析,减少训练样本空间,提高样本有效性,降低计算复杂度;再应用极端学习机对各分解序列分别进行训练,同时通过遗传算法对极端学习机输入权值、偏置等参数进行优化,确保各分解序列输出最佳预测模型;最后将各分解序列预测结果相加得到最终预测结果。以某风电场实际数据进行的建模结果表明该模型有效实现了对风速的超短期、多步预测,采用的方法合理有效。 | 王辉 刘达 王继龙 | 2015 | 电网技术2015，39，5： | 31 |
| 4 | 一种基于径向基神经网络的短期风电功率直接预测方法显示文摘提出了一种基于RBF神经网络的未来24 h风电功率直接预测方法。为克服传统聚类算法局部寻优的缺陷,基于模糊C-均值聚类算法,提出了一种将遗传算法、模拟退火算法和模式识别技术相结合的模糊聚类算法。基于某风电场的实测数据,采用所提出的模糊聚类算法和几种常用方法分别确定径向基函数的中心,并采用最小二乘法解决权值学习问题。预测结果表明了基于RBF神经网络的风电功率预测方法能够有效提高预测精度,且证明了所提出的模糊聚类算法的优越性。 | 马斌 张丽艳 | 2015 | 电力系统保护与控制2015，43，19： | 32 |
| 5 | 基于改进乌鸦算法和ESN神经网络的短期风电功率预测显示文摘精确的短期风电功率预测对于提升电力系统经济稳定运行十分重要。为了克服传统的神经网络在参数选取中容易受主观因素影响和陷入局部最优的不足,提出一种基于改进乌鸦算法(ICSA)优化回声状态神经网络(ESN)参数的短期风电功率组合预测方法。在算法寻优初期引入Lévy飞行机制增强搜索效率,而在迭代后期加入高斯函数,对进化后的全部轨迹进行相应的调整,保证算法的全局寻优和逐次逼近能力;通过改进的CSA算法对ESN神经网络输出层连接权值矩阵进行优化以提高网络的训练效率。最后利用两组实验数据对预测模型进行了有效性验证,结果表明,所提算法能有效应对风电功率时序的随机性和不确定性特征,具有更高的建模精度和更快的收敛速度。 | 琚垚 祁林 刘帅 | 2019 | 电力系统保护与控制2019，47，4： | 26 |
| 6 | 基于数据挖掘的风电功率预测特征选择方法显示文摘输入特征向量的选择是建立风电功率预测模型中至关重要的第一步,但由于风电机组的待选监测量项目过多、部分监测量与风电功率的相关性不明显甚至不相关、信息冗余量大等因素造成输入向量集的选取不够合理,进一步影响功率预测模型的准确性。针对这一问题,在综合对比研究了邻域粗糙集、随机森林和互信息这三种较为有效的用于特征选择的数据挖掘算法的基础上,提出了一种综合性能较好的基于随机森林筛选风电功率预测模型输入向量的方法,并分析了另两种方法的特点和适用范围,最后使用风机的实际运行数据,基于最小二乘支持向量回归算法对文中所提出的方法进行了验证。仿真结果表明,该方法能够通过减少功率预测模型的输入向量有效地降低模型复杂度,不仅加快了模型的预测速度而且提高了预测的精度。 | 李俊卿 李秋佳 石天宇 郭晋才 | 2019 | 电测与仪表2019，56，10： | 26 |
| 7 | 基于KMO-Bartlett典型风速选取的PCA-WNN短期风速预测显示文摘针对风电功率预测时风速信息冗余,导致神经网络难以把握内在规律而影响训练效率的问题,选取最佳风速数据进行主成分分析,采用改进小波BP神经网络对风速进行预测。通过KMO和Bartlett球度双检验选取最佳风速数据,从而充分利用主成分分析法对风速数据进行提取以优化神经网络的输入,提高网络收敛速度和预测精度。通过某风电场风速数据仿真分析,与其他预测方法进行对比,结果表明该模型预测精度高、泛化性能好,验证了该预测方法的正确性和有效性。 | 解坤 张俊芳 | 2017 | 发电设备2017，31，2： | 24 |
| 8 | 基于压缩感知理论的缺失数据集下线损预测模型显示文摘线损预测是电网企业进行线损管理的基础,而电力系统中数据收集与传输过程中不可避免出现各种异常状况,导致线损数据缺失,影响线损预测精度。为解决这一问题,应用压缩感知理论研究矩阵稀疏变换方法和矩阵重构算法,实现电网运行缺失数据的补全与重建,利用基于自适应噪声的完整集成经验模态分解建立线损预测模型,完成缺失数据集下的线损预测。某10 kV配电网算例验证结果表明,在数据量较大或数据缺失情况较严重的情况下,基于压缩感知理论的数据恢复方法能比传统方法更好地修复原始数据,恢复原始数据的变化趋势,提高线损预测精度。 | 刘东升 代盛国 商学斌 顾洁 金之俭 王颖琛 李煜 | 2019 | 广东电力2019，32，2： | 19 |
| 9 | 利用智能水滴算法优化神经网络的MPPT显示文摘光伏系统最大功率点跟踪(MPPT)对于提高光伏发电效率有着重大意义。给出一种智能水滴(IWD)算法优化Elman神经网络的MPPT方法。利用IWD算法对Elman神经网络的权值和阈值进行优化,提高Elman神经网络的训练效果。将IWD算法优化Elman神经网络的MPPT方法与传统预测方法进行对比,结果验证了所提方法的有效性。 | 赵文清 李瑶 | 2017 | 电力自动化设备2017，37，7： | 11 |
| 10 | 基于相空间重构和误差补偿的风电功率混沌时间序列预测模型显示文摘针对风电混沌时间序列在多维空间内展现出的短期可预测性,本文提出将误差补偿思想与相空间重构理论结合,将误差补偿模型推广至多维空间。由于风电实测数据同时包含线性特征与非线性特征,使用向量自回归模型和Elman神经网络模型分别对多维空间内的风电混沌时间序列的线性特征与非线性特征进行预测,并将两者的结果相加得到最后的预测值。对我国某风电场实测数据的建模仿真结果表明,本文所提方法较单一线性建模和单一非线性建模方法更优,具有更高的预测精度。 | 王兰 王晞 李华强 刁芳钰 | 2017 | 电力系统及其自动化学报2017，29，9： | 9 |
| 11 | 基于高斯过程回归和粒子滤波的短期风速预测显示文摘建立高斯过程回归和粒子滤波相结合的短期风速预测模型,实现对历史风速序列异常值的在线动态检测与修正。首先,在训练样本集中通过高斯过程回归建立状态空间方程,采用粒子滤波算法对当前量测值进行状态估计,对估计值和量测值的残差进行分析,并根据'3σ'原则判断异常值。其次,修正异常值,并对修正后的风速序列重新建立高斯过程回归预测模型。在进行提前15分钟风速预测时,同样采用粒子滤波算法对最新量测值进行状态估计,实现了异常值在线检测并修正。算例分析结果表明,粒子滤波算法能够有效检测出异常风速值,降低了风速预测误差,提前15分钟风速预测时平均绝对百分比误差和均方根误差分别降至8.92%和0.5826 m/s。 | 梁智 孙国强 俞娜燕 倪晓宇 沈海平 卫志农 | 2020 | 太阳能学报2020，41，3： | 9 |
| 12 | 基于粗糙集理论的t检验广域保护区域划分方法显示文摘电力系统广域继电保护中,合理、正确地实现保护区域划分是提高继电保护选择性和灵敏性的关键。在现代电网基于纵联比较原理来进行广域保护区域的划分方法中,每个IED的保护区域是根据IED与线路或母线的关系确定的,划分原则比较简单。随着互联大电网的逐渐形成,网架结构复杂化,拓扑结构多样化,仅仅根据保护区域划分原则进行简单的保护区域划分已经不适应电力系统广域继电保护区域划分的要求。因此,提出了一种基于粗糙集理论的t检验广域保护区域划分新方法。在系统结构发生变化时,该方法可以利用粗糙集理论约简冗余信息的功能,动态地寻找保护范围;利用t检验法最终确定每个IED广域保护范围;通过CEPRI-36节点的仿真系统模型进行验证。该方法对保护区域的划分不完全依赖系统结构关系,对结构多变的网络具有更好的适用性。 | 李卫国 运泽健 张师 边娣 张东 | 2019 | 电力系统保护与控制2019，47，19： | 8 |
| 13 | 一种基于深度学习的FRS-CLSTM风速预测模型显示文摘为了实现高精度的风速预测,提出一种基于深度学习的模糊粗糙集(FRS)-神经网络(CLSTM)风速预测模型,该模型由FRS和CLSTM深度学习模型2部分组成。首先由FRS对自然特性时间序列参数进行属性约简,对庞大的数据集进行数据降维;然后结合风电机组风速软测量理论,优化确定CLSTM深度学习模型的输入参数;最后CLSTM深度学习利用卷积神经网络提取短期的多维度时间变量的依赖关系,利用循环神经网络捕获输入时间序列时间跨度上的长期特性,进而得到最终的预测风速。以某风电场实测数据为例进行仿真测试,结果表明所提出的FRS-CLSTM风速预测方法可有效提高风速的预测精度。 | 姚万业 黄璞 姚吉行 贾昭鑫 | 2020 | 太阳能学报2020，41，9： | 8 |
| 14 | 基于关联规则的PSO-Elman短期风速预测显示文摘传统神经网络在短期风速预测中,存在易陷入局部极值和动态性能不足等问题,从而导致风速预测精度较低。为了提高风速预测精度,提出一种基于关联规则的粒子群优化Elman神经网络风速预测模型。利用粒子群算法优化Elman神经网络模型参数,以提高算法的收敛速度,避免陷入局部极值,以得到最优的预测值。同时结合关联规则分析考虑气象因素,采用Apriori算法对风速与其他气象因素进行关联规则挖掘,并利用得到的关联规则对风速预测值进行修正与补偿。实验结果表明,所提出的预测模型的预测效果比传统模型的效果更佳,同时验证了结合关联规则考虑气象因素能够降低风速预测误差。 | 颜宏文 邹丹 | 2017 | 计算机工程与应用2017，53，23： | 7 |
| 15 | 基于改进粒子群优化LS-SVM的短期风速预测显示文摘针对现有风速预测方法在解决预测问题时存在的不足,提出了采用收缩因子对粒子速度更新的方式进行改进,保证粒子群算法前期的全局搜索能力和后期的局部寻优能力,提高算法的收敛性能。利用改进PSO对LSSVM参数进行寻优,建立基于改进PSO优化LS-SVM的短期风速预测模型。采用实际风速数据进行仿真分析,所建模型的平均相对误差和均方根误差分别为3.72%和0.21,均好于其他几种风速预测方法,验证了所提出方法的正确性和实用性。 | 范曼萍 周冬 | 2020 | 电力学报2020，，2： | 7 |
| 16 | 基于熵权综合关联度数据挖掘的风电功率实时预测研究显示文摘采用一种基于熵权综合关联度指标,来量化评估不同历史时段风电样本与待预测时段参考样本间的复杂非线性映射关系,解决预测模型输入与输出变量的相关性冗余问题,并与Pearson相关系数、Kendall相关系数、Spearman相关系数、互信息相关系数指标进行对比研究。然后,采用一种神经网络改进模型,通过相似样本筛选、隐含层结构寻优、网络权重赋初值等,减小训练数据冗余度的影响及加快收敛速度,提高预测模型的泛化能力和计算效率。通过吉林省某风电场的实测数据进行实验仿真,结果表明该方法可有效提高风电功率实时预测准确率。 | 杨茂 马剑 李大勇 苏欣 孙涌 | 2019 | 太阳能学报2019，40，12： | 7 |
| 17 | 基于HP-EMD和ARMA的短期风速预测显示文摘针对风速为非线性非平稳序列的特点,提出一种基于经验模态分解(empirical mode decomposition,EMD)和自回归滑动平均模型(auto-regressive moving average model,ARMA)的预测方法。EMD在对风速序列进行分解时,可能存在模态混叠现象,会影响风速预测精度,为此,提出一种加入高频谐波来抑制模态混叠的方法。首先对风速序列加入高频谐波进行EMD分解,获得比原始序列较平稳的子序列,即固有模态函数(intrinsic mode function,IMF),然后利用ARMA模型对子序列进行建模预测分析,最后将子序列的预测结果相加得到风速的预测值。和EMD-ARMA及直接利用ARMA模型进行预测的结果相比,本文所提的方法预测精度更高。 | 喻敏 常毓婵 袁浩 赵颖 周文梦 | 2016 | 中国科技论文2016，11，5： | 6 |
| 18 | 基于风速预测的改进爬山法最大功率追踪策略显示文摘针对变速变桨风速发电机组如何在低风速时最大限度地捕获风能,提出了一种基于风速预测的改进爬山法最大功率追踪策略。首先搭建由模糊粗糙集(FRS)和神经网络预测(LSTM)两部分组成的预测模型,利用模糊粗糙集对噪声的敏感性,对风机多传感器采集的自然特性时间序列参数进行分析,通过属性约简,将输入信息的空间维数简化,确定神经网络的输入参数,作为后者LSTM神经网络预测模型部分的输入。利用LSTM在时间深度上有效避免梯度传播消失的特性,通过训练学习,抽取逼近隐含的输入输出的非线性关系,捕获时间序列风速上各个信息的关联度和时间延展度,得到风速的提前一步预测。然后依靠预测的风速信息,从搜索方向确定,搜索区间优化,避免最大功率点附近频繁波动3个方面改进了传统爬山法,避免传统方法的不足。通过GH bladed软件实验仿真表明:提出的最大功率追踪控制策略能够有效避免了风速变化情况下错误的搜索方向,提高追踪速度,明显减少风机在MPP点处的振荡,有效提高了风能捕获效率。 | 姚万业 贾昭鑫 黄璞 | 2018 | 电力科学与工程2018，34，2： | 6 |
| 19 | 组合预测技术在风电中的研究分析显示文摘高精度的风速及风功率预测可以为电网调度提供发电依据,常规的单一的风速及风功率预测方法已经不能满足当前风电预测需求。首先,对组合预测技术进行了全面诠释;其次,详细描述了几种经典组合预测模型的算法及其优缺点;最后,阐明了将统计学应用到风速及风功率预测中,组合预测技术所体现的潮流趋势,可为组合预测技术的进一步研究提供参考。 | 钟宏宇 王超 张旭光 赵家志 赵立峰 任俊明 | 2018 | 电器与能效管理技术2018，，16： | 4 |
| 20 | 基于主成分约简聚类的优化ELM短期风速组合预测显示文摘提出基于主成分属性约简聚类的粒子群优化极限学习机短期风速预测方法。考虑到不同的属性特征对于风速变化的影响不同,利用主成分分析法计算各成分特征值,选取方差贡献率较高的成分,然后采用k-均值聚类方法对风速样本进行聚类,再利用粒子群算法对极限学习机进行优化,进而构建风速组合预测模型。最后结合风电场实测历史数据进行实验预测对比,结果表明该方法具有较高的预测精度。 | 王顺江 范永鑫 潘超 赵铁英 韩春成 杜亮 | 2021 | 太阳能学报2021，42，8： | 4 |
您所在的机构暂未开通此部分的功能，请联系管理员