A predict_correct projection method is presented for solving monotone variant variational inequalities, which could exploit the advantages and overcome the difficulties of both explicit and implicit projection methods.
针对目前海上风电出力预测方法精度较低的问题,提出一种基于词向量化和长短期记忆网络(word to vector long short-term memory,Word2vec-LSTM)与聚类修正的海上风电出力预测方法。对Word2vec方法进行改进来提取时间序列数据特征,实现...针对目前海上风电出力预测方法精度较低的问题,提出一种基于词向量化和长短期记忆网络(word to vector long short-term memory,Word2vec-LSTM)与聚类修正的海上风电出力预测方法。对Word2vec方法进行改进来提取时间序列数据特征,实现数据信息的高效利用;在长短期记忆神经网络的预测模型基础上,研究了一种基于k-shape聚类结果的预测结果修正算法,对预测结果距离聚类中心超过阈值的数值判定为预测误差偏大的数据并向簇中心进行修正。最后,基于江苏某海上风电场的真实数据进行测试,结果表明,基于Word2vec-LSTM与聚类修正的海上风电出力预测方法的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)达到5.04和5.42,相比传统LSTM预测模型的误差平均降低了11.10%和12.25%,为海上风电并网与电网调控提供了技术支持。展开更多
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...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。展开更多
文摘A predict_correct projection method is presented for solving monotone variant variational inequalities, which could exploit the advantages and overcome the difficulties of both explicit and implicit projection methods.
文摘针对目前海上风电出力预测方法精度较低的问题,提出一种基于词向量化和长短期记忆网络(word to vector long short-term memory,Word2vec-LSTM)与聚类修正的海上风电出力预测方法。对Word2vec方法进行改进来提取时间序列数据特征,实现数据信息的高效利用;在长短期记忆神经网络的预测模型基础上,研究了一种基于k-shape聚类结果的预测结果修正算法,对预测结果距离聚类中心超过阈值的数值判定为预测误差偏大的数据并向簇中心进行修正。最后,基于江苏某海上风电场的真实数据进行测试,结果表明,基于Word2vec-LSTM与聚类修正的海上风电出力预测方法的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)达到5.04和5.42,相比传统LSTM预测模型的误差平均降低了11.10%和12.25%,为海上风电并网与电网调控提供了技术支持。
文摘随着国家“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。
