|
| 目的 |
技术 |
优点/结果 |
缺点 |
数据集 |
|
| 混合风速预测(13] |
经验小波变换(易)、长期短期记忆神经网络和学习算法。 |
该模型具有满意的多步预测的结果。 |
为风速的性能易多步预测还没有被研究过 |
四套原始风速系列包括700个样本。 |
|
| 风速预测(14] |
无味卡尔曼滤波(UKF)是结合支持向量回归(SVR)模型 |
该方法具有更好的性能比领先一步和multistep-ahead预测人工神经网络,SVR与卡尔曼滤波模型、自回归和自回归综合 |
需要开发风电场的基于模型预测控制和优化策略操作。 |
能源效率和可再生能源中心马萨诸塞大学 |
|
| 风速预测(15] |
短期记忆神经网络,支持向量回归机,极值优化算法。 |
该模型能达到一个更好的预测性能比ARIMA SVR表示,安,资讯,GBRT模型。 |
需要考虑更多的相关功能,如天气原因,人为因素,电力系统状态。 |
在中国内蒙古,风力农场 |
|
| 一个混合的短期风速预测16] |
小波变换(WT)、遗传算法(遗传算法)和支持向量机(支持向量机) |
该方法比持久模型和更有效率SVM-GA模型没有WT |
需要增加空气压力等外部信息,降水,除了温度和空气湿度。 |
风速数据每0.5 h的风电场华北2012年9月 |
|
| 短期风速预测(18]。 |
支持向量回归SVR)和人工神经网络(安)与反向传播 |
被提议的SVR和安模型能够预测风速有超过99%的准确率。 |
计算量大 |
历史数据集(2008 - 2014)的风速来自孟加拉国的吉大港肋区域气象部门(弹道导弹防御) |
|
| 混合风速预测(19] |
变分模式分解(VMD),偏自相关函数(PACF),加权正规化极端学习机(WRELM) |
(我)VMD降低风速的随机性和波动性的影响。
(2)PACF减少了特征模型的尺寸和复杂性。
(3)榆树提高了预测精度。 |
two-step-ahead的预测的准确性和three-step-ahead预测不同程度下降。 |
美国国家可再生能源实验室(NREL2004年)。 |
|
| 短期风速预测(20.]。 |
小波分析和演算法神经网络。 |
(我)效益分析风速的随机性和优化神经网络的结构。
(2)它可以用来促进模型的配置和显示信心高精度预测。 |
需要考虑动力学模型与纠错能力和自适应调整。 |
美国国家可再生能源实验室(NREL2004年)。 |
|
| 短期风速预测(21]。 |
支持向量机(支持向量机)和粒子群优化(算法) |
该模型的预测精度最好而经典支持向量机和反向传播神经网络模型。 |
需要考虑额外信息的季节和天气等有效的预测变量。 |
2011年在中国风电场数据。 |
|
| 风速预测(22]。 |
递归神经网络(RNN)与长期短期记忆(LSTM)。 |
训练数据的模型提供了92.7%的准确率为91.6%,新数据。 |
高速度时代增加了流程时间和最终提供低精度性能。 |
Nganjuk气象和地球物理局(BMKG),东爪哇(2008 - 2017)。 |
|
| 预测multistep-ahead风速(23] |
NARNET模型预测每小时风速使用人工神经网络(安)。 |
成本模型是有效的,可以使用最低的可用性统计数据 |
(i)错误测量的输入可能影响模型参数。
(2)使用低通滤波器去除快速变化可能导致忽视了重要的信息。 |
国家海洋和大气管理局的气象数据(美国国家海洋和大气管理局)位于道奇城,堪萨斯(2010年1月2010年12月)。 |
|
| 短期风速预测(24] |
反向传播(英国石油公司)基于改进人工蜂群算法的神经网络(ABC-BP)。 |
模型具有较高的精度和快的收敛速度与传统和遗传英国石油公司神经网络。 |
嘈杂的数据敏感。因此,数据应该被过滤,这可能会影响数据的性质。 |
风电场在天津,中国(2013年12月- 2014年1月)。 |
|
| 短期风速预测(25]2019 |
模糊c均值聚类(FCM)和改进的思想进化algorithm-BP (IMEA-BP)。 |
该模型适用于一步预测和增强了多步预测的准确性。 |
多步预测的准确性需要进一步改善。 |
在中国风力发电场 |
|
| 预测风速(26]。 |
人工神经网络和决策树算法 |
平台气象数据的海量存储能力,高效的查询和分析的天气预报。 |
需要改进以更现实的天气预测参数。 |
大连气象局提供的气象数据(2011 - 2015) |
|
| 我们的计划 |
采用multi-lags-one-step (枣疯病)提前预测方法与基于人工学习算法 |
结果表明,提供ConvLSTM模型具有最佳的性能比安,CNN, LSTM,支持向量机模型。 |
增加隐藏层的数量可能会增加计算时间成倍增长。 |
民族风机构,西德克萨斯Mesonet (2012 - 2015) |
|
