风电场有功功率损耗的研究

与常规火电相比，风电机组的功率输出具有随机性、不可控性的特点。本文通过对风场内部电气系统的分析，并结合某实际风电工程，对风电场有功功率损耗的计算模型进行了研究、比较。其计算结果对提高风电工程的整体经济性以及风场输出功率预测、系统调度等有重要意义。     

数字·科技

5258万千瓦截至目前,我国并网风电达到5258万千瓦。其中,国家电网调度池围并网风电达到5026万千瓦,6年年均增速87%,我国已取代美国成为世界第一风电大国。日前国家电网建成覆盖26个省份、全部570座风电场的新能源运行调度监测网络,在14家调度机构建成风功率预测系统,实现了风电可监测、可预报。累计投资458亿元,建成风电并网线路2.53万公里,新(扩)建变电站420座,保障国家及各级地方政府核准     

基于ACO优化的ARIMA-ES-RF布伦特原油价格预测研究

为解决传统单一的自回归积分滑动平均(ARIMA)和指数平滑(ES)预测原油价格(以布伦特原油为例)误差较大,难以精确地预测序列非线性特征的问题,提出自回归积分滑动平均(ARIMA)-指数平滑(ES)-随机森林(RF)组合预测方法。目前虽已有大量的原油价格预测模型,但还未有文献利用随机森林组合传统时间序列模型对原油价格进行研究。在此基础上,利用蚁群算法(ACO)对随机森林的重要参数(树的数量及根的深度)进行智能搜索,将随机森林组合模型的预测精度反馈给蚁群进行信息素的实时更新,输出使得组合模型预测精度最高的模型参数。研究结果表明：提出的蚁群优化参数后的组合随机森林模型能更好地预测布伦特原油价格的趋势,预测精度均方根误差(RMSE)从1.15降低至0.88,减少了0.27;平均相对误差从1.10%降低至0.86%,降低了0.24%,预测精度较以往的原油价格预测模型有显著提升。     

ARIMA模型在福建省GDP预测中的应用

本文介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法及Eviews实现。将ARIMA模型应用于福建省历年GDP数据的分析与预测,得到较为满意的结果。     

不同时间窗下的风电功率波动特性

利用风电功率波动数据,使用滑动平均法、概率分布理论、1阶差分法等,分别建立了最佳概率分布模型、min级分量模型和变化速率模型,利用Matlab软件编程,得到了风电功率的波动特性的最佳概率分布为t location-scale分布并且得出了以较长时间为时间窗衡量风电功率的波动会损失短时风电功率波动的信息。     

西安市旅游市场境外游客长期记忆及ARMA模型适用性研究

本文通过用分析旅游业游客动态常用的ARMA（即分整自回归滑动平均模型）模型对国外旅游市场境外游客研究后,证明在用时间序列模型在对西安市旅游市场进行预测分析时,不宜用ARMA模型。     

基于RBF神经网络的太阳能发电量预测

太阳能发电系统输出功率的预测，尤其是短期预测，受到各种外源因素的影响，预测结果并不理想。由于现有预测方法对外部条件的依赖性，如太阳辐射强度和环境温度等，致使存在多种变量，影响预测的效率。为此，采用径向基函数神经网络(RBFN)，选择最优的输入参数，来预测20 kW太阳能电池板的功率输出，考虑效率的同时，对预测结果有了一定程度的改善。并将所提出方法与现有方法进行了比较。     

基于平均发电成本的风电项目经济性分析

在分析风电项目资金成本、投资回收期、发电成本等经济评价要素的特性及其计算方法的基础上,提出了基于平均发电成本的风电项目经济性评价方法,并应用于中型与大型风电项目、海上风电场与陆上风电场项目的对比分析。实证分析结果表明,该方法在风电项目经济性评价中是有效的,大型风电项目比中型风电项目更具投资价值、海上风电场的长期经济效益优于陆上风电场。     

一种新的光伏发电预测模型的设计

为了对光伏发电的输出功率进行预测,本文分析光伏发电的影响因素,提出了一种基于太阳辐射功率曲线匹配的预测模型。该模型将历史数据按时段进行分解,查找与当前时段太阳辐射功率曲线最为匹配的数据,以此构建并训练BP神经网络,来预测未来3个小时内的太阳辐射功率,能够较好的实现预测目标。实验结果表明,该模型有较高的精度,可对电网调度起到重要的指导作用。     

风电场噪声的预测模型

本文采用浙江大学对NASA修正模型进行预测,综合考虑叶片后缘形状影响、Ka系数的频谱修正、指向性系数等因素,建立了声源辐射指向性预测模型。根据对某一风电场现场监测结果可知,当噪声预测点距离风电机组较远(水平距离大于2倍风轮半径)时,预测值与监测值拟合系数达到0.95以上,预测效果较好,因此NASA修正模型能较好地预测风电场远场区的噪声水平。     

ARIMA与ARIMAX模型在私人汽车拥有量预测中的应用

为了提高私人汽车拥有量的预测精度,利用时间序列分析方法对全国2005—2020年的私人汽车拥有量数据进行研究,建立基于动态回归（ARIMAX）模型。运用Lasso模型和灰色关联分析得出影响私人汽车拥有量的主要因素,并将主要因素作为回归项引入差分自回归移动平均（ARIMA）模型。然后,在ARIMA模型的基础上建立ARIMAX模型。模型预测的对比结果揭示了ARIMAX 的拟合效果更佳,适用于全国私人汽车拥有量的预测。     

人口模型

本文采取自回归求和移动平均法(ARIMA),对中国从1949年到2007年人口资料进行分析,并建立模型。结果显示,ARIMA(1,1,16)模型提供较准确的预测结果,可用于未来的预测,对人口问题研究提供可靠依据。     

福建省GDP时间序列模型建立及实证分析

根据福建省1981—2011年GDP数据,利用Eviews6.0计量经济学软件和时间序列理论,建立了求和回归移动平均模型ARIMA(4,1,1),并根据模型进行实证分析,结果表明GDP预测效果较好,平均误差9.91%,并预测2014年GDP产值为22 569.578亿元。     

基于BP神经网络算法的风电功率预测

针对风电功率的预测,从神经网络的训练仿真入手,综合运用BP神经网络、平均绝对误差MAE等多种方法,建立风电功率预测模型,运用Matlab和Excel软件编程,得到了后续7天中时隔5min和15min的风电功率预测趋势和时隔5min样本数据的预测误差水平相对于15min来说降低了6.349%等结果。     

陕西省GDP的预测方法比较与选择

以陕西省1993年至2010年不变价格的GDP为样本,分别应用了二次函数模型、指数函数模型和自回归整合移动平均模型对原数列进行了拟合、分析与预测。经过比较,三者的误差依次为17.948 3%,8.752 9%,3.389 0e-06。自回归整合移动平均模型与原序列高度拟合,误差几乎为零,因此不需要组合预测。     

艺术品投资、股票市场及宏观经济——基于MARMA模型的联动性分析

本文创新性地对艺术投资品进行重新分类,编制了新艺术品指数,通过建立混合自回归滑动平均模型(Mixture Autoregressive Moving Average Model简记MARMA)的方法对艺术投资品与其他因素的联动性进行分析,分别得出两类艺术品与股票市场、宏观经济之间的关系并应用该模型进行预测。主要结论是:第一类艺术品可以使用股票指数来描述,第二类艺术品可以通过宏观经济变量来研究;与相似的投资品相比,在通胀环境下艺术品具有更高的投资价值。     

基于相似理论聚类分析的风电功率预测

提高风电预测的准确性,可以减少含风电接入电力系统调度计划的不确定性,提高系统运行的安全性及经济性。文章提出了一种基于相似理论聚类分析的模糊预测方法,对历史风速数据进行自动分类,并借助于所预测的风速特征数据,按照相似度最大的原则,选择相似度最大的那组数据作为预测建模用的训练样本。然后借助于风力机组的风速-功率曲线,非常方便地得到制定电力系统运行计划所需要的风电机组的风速-功率曲线,进而得到制定电力系统运行计划所需要的风电机组的预测出力。     

整县光伏发电的综合LSTM功率预测模型研究

为了更好实现整县屋顶光伏集约化发展，提高大规模分布式屋顶光伏并网经济性，分析基于气象数据的预测方法弊端问题，挖掘海量时序光伏发电功率数据规律，提出基于改进长短期记忆递归神经网络（LSTM）的整县光伏综合功率预测模型。使用所提模型进行单一光伏电源预测实验，结果表明，改进LSTM模型较其他模型更精准，且在整县光伏综合功率预测场景下具有更高整体预测精度，可以用于整县光伏发电功率预测，有助于实现高比例分布式光伏消纳。     

自回归模型在杭州公共自行车使用量预测中的应用

自回归是基于数据的统计性质建立模型。它把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将单变量自回归模型推广到由多元时间序列变量组成的向量自回归模型。本文通过一些数据对向量自回归模型进行拟合,从而获得预测精度较高的预测模型。     

基于ARIMA-BP神经网络模型的桥梁SHM应变预测分析

桥梁结构健康监测的应变监测数据具有较强的趋势性与随机性，为提升数据的预测精度，提出将传统单一的自回归积分滑动平均模型（ARIMA）和BP神经网络预测模型进行加权与组合，并将这两种方法分别运用于江西省某跨江大桥桥梁结构健康监测系统记录的应变监测数据的预测进行验证。结果表明：仅运用单一模型预测时，BP神经网络的预测效果要优于ARIMA模型；加权与组合模型的预测精度均优于单一模型，其中加权模型及组合模型的残差平方和（SSE）与BP神经网络模型相差最大，分别高达50.23%与49.87%；对比加权模型与组合模型的各项误差指标，发现二者预测模型的预测精度极为接近；单一预测模型的误差包络范围大于其他两类模型，其中ARIMA模型的误差总和约为50 με，BP神经网络模型的误差总和约为30με，加权模型的误差总和约为21.09 με，组合模型的误差总和约为20.97 με。经分析，加权预测模型与组合预测模型均能实现对桥梁SHM应变预测。