用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

基于集合经验模态分解与能量熵的水库群蓄水时期梯级水电调度模型

提出基于集合经验模态分解与能量熵的水库群蓄水时期梯级水电调度模型，以满足梯级水库群的蓄水、发电目标.对蓄水时期水库群的径流监测信号时间序列作集合经验模态分解，获得含有各尺度局部细节特征的IMF及剩余分量，基于能量熵理论完成各分量的重构，将重构结果作为最小二乘支持向量机的输入，利用粒子群算法优化预测模型参数，实现梯级水库群径流精准预测.依据径流预测结果，构建以发电量最高、蓄满率最大、弃水量最低作为优化目标，并满足蓄水量、泄水量、出力、水量平衡、关联方程约束的水电调度模型，实现水库群蓄水时期梯级水电调度优化.实验结果表明：该模型可实现径流监测信号时间序列的分解与重构，径流预测误差在[0.09,5.2]区间；优化调度后，梯级水库群的发电量提升了3.66%，弃水量降低了27.91%，蓄满率增大了1.85%.