基于季节指数调整的循环神经网络风速时间序列预测

来源 :太阳能学报 | 被引量 : 0次 | 上传用户:ct_1984tao1
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
提出一种基于季节指数调整的神经网络风速预测方法.针对历史风速之间的非线性关系,运用神经网络非线性拟合能力并结合季节性指数调整对风速时间序列进行预测.通过时序图法和增广Dickey-Fullerd检验法判断时间序列的平稳性,结果表明该序列为非平稳序列.这种不稳定性说明时间序列中可能包含趋势、季节性、循环和不规则成分的一种或多种,为此采用时间序列分解模型对时间序列进行季节指数调整.最后采用LSTM和GRU神经网络预测风速,得到了较好的预测结果,且与未调整的数据预测结果及加法模型季节指数调整后的预测结果相比,基于乘法模型季节指数调整的2种神经网络预测结果有更高的风速预测精度.
其他文献
详细分析叶片结冰对风电机组运行性能和运行参数的影响,采用功率、叶轮转速和环境温度作为监测叶片结冰的变量.采用高斯过程回归分别建立功率模型和叶轮转速模型实现2个参数的实时监测.引入序贯概率比检验方法分析功率和叶轮转速模型的预测残差以发现2个参数在叶片结冰时的异常变化.当风电机组功率异常、叶轮转速异常且环境温度在0℃附近这3个条件同时满足时,发出叶片结冰预警.以云南某高原风场风电机组叶片结冰实际数据为例,验证本文方法的有效性.
以H型垂直轴风力机及其内含圆柱形实体为研究对象,对NACA0018翼型的五叶片H型垂直轴风力机的气动性能进行数值模拟和实验验证.分析8种不同直径的内含圆柱体,在内含实体截面积占风轮迎风面积之比分别为21.2%、50.0%和76.9%时,风力机风能利用率的峰值分别下降8.04%、20.7%及74.3%.结果表明:随着内含实体直径的增大,风能利用率的峰值逐渐减小,开始较为缓慢,达到一定值时快速下降.小直径内含实体主要影响叶片在下风区的转矩,对风能利用率的影响较小,而大直径内含实体还会影响叶片在上风区的转矩,其
在基于叶片根部载荷的PID独立变桨控制的基础上,引入激光雷达并提出优化的独立变桨控制方法.利用激光雷达可重建风力机前方风场信息的特点,对风力机前方风速进行提前测量.提出并使用统一风演化模型对所测数据进行二次处理,得到更贴近实际的叶轮中心风速,进一步使用所提出的分离测风方法对叶根载荷进行提前计算,根据载荷的计算值进行独立变桨控制.该方法可用于解决由于信号延迟、变桨执行机构延迟导致的风速与桨距角不匹配问题.在保证发电功率平稳的情况下,进一步减小风力机工作时的叶根载荷及轮毂不平衡载荷.使用TurbSim软件生成
为解决海量数据用作预测模型训练样本导致信息冗杂的问题,提出一种基于深度置信网络的短期风电功率预测方法.该方法首先使用历史数据作为训练样本,通过深度置信网络无监督学习提取出其相应特征,随后采用K均值算法对提取出的特征进行聚类分析,将历史数据分作几类,并通过判别分析确定待测日所属类别,以该类别所属的历史数据对设置了误差反馈层的深度置信网络进行有监督训练,再将待测日的气象信息输入训练好的深度置信网络模型得到待测日的预测功率.最后使用云南某风电场实际运行数据进行算例分析,证实了该方法的有效性.