Short-term Power Forecasting Research Articles

Application of Independent Component Analysis in Short-Term Power Forecasting of Wind Farm

For the difficult problems of measuring and forecasting values interfered by a number of factors, this paper proposed a method of power forecasting based on independent component analysis and least squares support vector machine, and results are modified using the regression. Each independent component from source signals is predicted using least squares support vector machine, the final prediction results obtained by modifying the preliminary predicting power according to the relationship between wind speed and its power. Using the data from a wind farm on the Northeast China wind farm, the simulation results show that this method has higher prediction accuracy, and the mean absolute error from 9.25% down to 5.48%, compared with the simple least squares support vector machine models.

Uma abordagem estatística para a previsão de potência reativa em sistemas elétricos

As previsões das potências ativa e reativa se constituem numa ferramenta de extremo valor na monitoração de Sistemas de Energia Elétrica. Com base nisso, este trabalho tem por objetivo, apresentar uma nova técnica de previsão horária de potência reativa a curto prazo, por subestação, baseado na linearidade existente entre as potências ativa e reativa, ou seja, a potência reativa pode ser explicada diretamente pela potência ativa através de uma regressão linear. A fim de melhorar o desempenho da previsão, são incorporadas ao modelo simples, variáveis defasadas das potências acopladas a uma correção para autocorrelação serial (Método Iterativo de Cochrane-Orcutt). E, além disso, como os dados de potência reativa apresentam comportamento heterocedástico, o método de estimação dos coeficientes do modelo por mínimos quadrados não se mostra adequado, por isso, foi utilizada uma solução robusta conhecida como mínimos quadrados reponderados iterativamente (IRLS). A previsão de potência reativa a curto-prazo é dividida em "in sample" e "out of sample", onde esta é aplicada a períodos horários em até um mês à frente. Com intuito de aumentar a precisão dos resultados, os dados são classificados através de uma rede neural não supervisionada conhecida como mapas auto-organizáveis de Kohonen (SOM).

Direct solar radiation available on clear days : Threlkeld, J. L. and Jordan R. C., Heat Pip. Air Cond. 29 (12): 135-45, Dec. 1957. Illus.

Prediction intervals (PIs) estimation is a powerful statistical tool used for quantifying the uncertainty of PV power generation in power systems. The lower upper bound estimation (LUBE) approach, when combined with extreme learning machines (ELM), is effective for constructing PIs. ELM is an efficient but unstable machine-learning method in generating reliable and informative PIs. To overcome this instability, a novel ensemble approach based on ELM and LUBE (ELUBE) is proposed for short-term PV power forecasting. To optimize quality of PIs, the sigmoid, radial basis and sine functions are used to train three groups of ELUBE models, and the models with higher performance are selected as ensemble members. Furthermore, a weighted average method is developed to aggregate the selected individuals. An improved differential evolution algorithm is used to perform the search for the optimal combination weight values of PIs. The feasibility and effectiveness of the proposed approach are evaluated by using PV datasets, obtained from a lab-scale DC micro-grid system.