计及相似日的LSTM光伏出力预测模型研究

为了提高光伏电站输出功率的预测精度，该文构建基于灰色关联度分析法（GRA）和长短期记忆神经网络（LSTM）的光伏发电组合预测模型。在运用GRA方法确定影响光伏出力的主要气象因素和选定待预测日的相似日的基础上，利用相似日的气象参数和实际发电量分别训练BP神经网络和LSTM神经网络，构建基于GRA的光伏出力智能预测模型，并在云南某光伏电站得到很好的应用。对比传统的单一预测模型和BP神经网络与GRA的组合模型，考虑相似日的LSTM预测模型的精度明显提升，可很好地满足相关要求，具有广阔的应用前景。     

基于PAM-SSD-LSTM的短期风速预测

为提高短期风速预测的准确性,提出一种基于PAM聚类、奇异谱分解（SSD）和LSTM神经网络的组合预测模型来预测短期风速,以解决上述问题。首先,为提高神经网络的学习效率,采用PAM算法对原始风速数据进行相似日聚类;其次,SSD具有抑制模态混叠和虚假分量产生的优点,使用SSD分解风速序列,提取多尺度规律;最后,由于LSTM神经网络捕捉长时间依赖的序列的波动规律的能力较强,使用LSTM神经网络对分解后的风速分量进行预测,将各分量预测值叠加得到最终预测结果。实验结果表明,基于PAM-SSD-LSTM的组合预测模型可有效提高风速短期预测的准确率。     

基于数据挖掘和遗传小波神经网络的光伏电站发电量预测

为了解决光伏发电预测不确定性问题,进一步提高光伏电站发电量的预测精度。提出一种基于数据挖掘和遗传小波神经网络的光伏电站发电混合预测模型,利用K均值聚类算法对历史数据进行分类,并对传统BP神经网络进行改进。以BP神经网络为基础,引入小波分析构建小波神经网络,同时利用遗传算法对网络的初始参数进行全局寻优得到最优参数,利用交叉熵函数对学习规则进行改进。改进后的网络模型既具有小波分析的良好的局部时域和频域特性,又具有全局搜索能力,可增大跳出局部最优的可能性,同时拥有更快的收敛能力和稳定性。实验结果验证了该算法的有效性。     

基于聚类分析的风电功率预测数据预处理方法

为了提高预测模型精度以及降低模型的复杂程度,减小模型的训练时间,文章提出一种基于改进模糊C均值聚类算法的数据预处理方法,以提高风电功率时间序列的预测模型的预测性能。首先,对实测风电功率混沌时间序列进行了相空间重构;其次,对相空间中的各维输入序列与输出功率序列进行相关性分析,使用相点与相对相关系数的加权建立聚类判据;然后,结合减聚类算法对模糊C均值聚类的收敛速度进行改进,改进的模糊C均值算法将输入序列聚为4类,对每类数据建模。结果表明,对原始数据进行聚类预处理后,预测模型的精度得到了提高。     

基于优化聚类的组合风速短期预测

准确的风功率预测对电力系统安全、稳定运行具有重要意义,而风速预测是风功率预测的关键。文章提出一种基于优化模糊C均值(Optimal Fuzzy C means,OFCM)聚类的组合风速短期预测方法。首先,采用模拟退火遗传算法优化模糊C均值聚类算法的初始聚类中心;其次,基于优化模糊C均值聚类算法将初始风速属性样本数据进行分组;再根据不同风速样本组,运用极限学习机(Extremely Learning Machine,ELM)构建组合风速预测模型;最后,通过风速实测值与预测值的对比,验证了该方法的可行性。     

基于改进遗传模拟退火算法的分布式光伏储能投资决策研究北大核心CSCD

文章考虑光伏出力的强随机波动性,基于地区光伏电站历史发电功率数据,采用改进的K中心点聚类算法提取光伏出力典型场景;考虑负荷、光伏出力时序特性,构建光伏、负荷联合时序场景。从场景发生概率角度出发,充分考虑光伏安装运维成本、售电、节能降损效益,以光伏电站经济效益最大化为目标,采用改进遗传模拟退火算法搜寻光伏电站最优位置和容量;采用超级电容平抑分布式光伏发电出力波动,以容量最小为目标优化储能装置充放电功率曲线,进而确定储能位置和容量。     

基于MEEMD-QUATRE-BILSTM的短期光伏出力区间预测

提出一种基于改进集成经验模态分解（MEEMD）和拟仿射变换（QUATRE）优化双向长短期记忆神经网络（BILSTM）的光伏出力区间预测模型。通过主成分分析法（PCA）对时间序列进行降维处理，利用K-均值算法将降维数据分成3种类型气象数据；然后采用MEEMD对每类光伏出力序列进行分解，将其输入QUATRE优化BILSTM神经网络和核密度估计算法（KDE）联合构建的短期光伏出力区间预测模型。最后基于宁夏光伏电站实例仿真评估模型区间预测性能，实验结果表明该模型可生成高水平光伏预测区间，能够为电力系统经济稳定运行提供可靠的决策保障。     

基于IOWA算子的短期光伏发电量组合预测

摘要： 为了对光伏电站的输出发电量进行预测,提出了一种基于IOWA算子的组合预测模型。该方法通过灰色关联度分析影响光伏发电量的关键影响因子,结合光伏电站历史数据,基于IOWA算子建立了短期光伏发电量组合预测模型。以华中科技大学电力电子研究中心18 kW并网光伏电站资料为基础进行预测试验,以误差平方和最小为准则构建最优化模型,结合各单项预测模型的优点,建立基于IOWA算子的光伏发电量组合预测模型。实验结果表明：所提出的预测模型降低了预测结果误差,提高了预测精度。说明该预测模型可为光伏电站发电量进行预测,为电力系统调度稳定运行提供参考。     

基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

一种光伏短期出力区间预测方法

该文建立基于相似日模糊信息粒化和Elman神经网络的光伏短期出力区间预测模型。首先对原始序列进行相似日的选取,然后将提取的样本利用模糊信息粒化进行处理,确定预测区间的上下界,并结合Elman神经网络分别预测,构建区间预测模型。仿真结果表明,所提出的区间预测方法具有较高的预测精度和实用价值。     

基于自适应模糊推理系统模型的径流中长期预报

介绍了自适应模糊推理系统ANFIS的原理结构及学习算法。以漫湾和双牌两座水库实测月径流序列为研究对象，研究不同的输入及不同的模糊数对自适应模糊推理系统模型做中长期预报的影响，并通过与人工神经网络模型的预报结果进行比较，显示本模型是中长期水文预报方法中较为准确的方法之一。     

不同相似指标下最近邻抽样回归模型在径流中长期预测中的应用比较

根据水文相似性建立的最近邻抽样回归模型(NNBR)是一种较优的中长期预测模型,模型的关键在于相似指标选择。在介绍欧氏距离、余弦距离、耦合序位值等现有相似指标的基础上,构建了一种新的相似指标——欧氏—余弦耦合距离,并将基于欧氏距离、余弦距离、耦合序位值、欧氏—余弦耦合距离四种不同相似指标的NNBR模型应用于长江宜昌站、雅砻江小得石站、黄河唐乃亥站、珠江梧州站年径流预测中。实例分析表明,基于欧氏距离的NNBR模型预测准确性最佳,其次为基于欧氏—余弦耦合距离的NNBR模型,基于余弦距离和耦合序位值的NNBR模型预测准确性次于前两者。     

二滩水电站中长期径流预报研究

针对二滩水电站的实际径流特性和水电站发电调度的要求,应用季节性自回归模型和人工神经网络模型对二滩水电站的月径流、汛期分段和年径流预报进行研究.结果表明,这两种模型对二滩水电站的月径流预报、汛期定性预报均达到了一定精度,可为二滩水电站优化调度的径流输入提供参考依据,尤其是AR(P)模型的非汛期月径流预测和BP模型年径流预测结果可在实际运行中使用.     

基于智慧城市产业重构的中长期电力需求预测

随着新一轮能源革命的兴起和产业发展布局的优化,传统的产业分类方法已不能体现智慧城市经济与电力需求的关系,电力需求的中长期预测面临着新的挑战。以战略新兴产业分类标准为调整依据,制定智慧城市产业目录,并挖掘该产业目录下北京市2005~2014年的经济与电力相关数据,建立相应时间序列,采用向量自回归模型和误差修正模型分别反映关联性和预测电力需求偏离长期均衡的波动值。算例校验证明,该预测方法合理有效,为电力政策制定提供了借鉴。     

Wind farm power prediction: a data‐mining approach

In this paper, models for short‐ and long‐term prediction of wind farm power are discussed. The models are built using weather forecasting data generated at different time scales and horizons. The maximum forecast length of the short‐term prediction model is 12 h, and the maximum forecast length of the long‐term prediction model is 84 h. The wind farm power prediction models are built with five different data mining algorithms. The accuracy of the generated models is analysed. The model generated by a neural network outperforms all other models for both short‐ and long‐term prediction. Two basic prediction methods are presented: the direct prediction model, whereby the power prediction is generated directly from the weather forecasting data, and the integrated prediction model, whereby the prediction of wind speed is generated with the weather data, and then the power is generated with the predicted wind speed. The direct prediction model offers better prediction performance than the integrated prediction model. The main source of the prediction error appears to be contributed by the weather forecasting data. Copyright © 2008 John Wiley & Sons, Ltd.     

北京市电力与能源的中长期发展

对十一五期间北京市的电力与能源资源和消费进行了总结,分析了十一五期间北京市的电力与能源发展的特点和存在的问题,并对北京市的电力与能源中长期供需进行了预测,提出了北京市的电力与能源中长期的发展目标和任务,以及保证实现中长期的发展目标所需要的政策措施。     

三峡水库中长期径流预报方法研究

中长期径流预报是充分利用水资源、发挥电站经济效益的有力手段。以三峡水库为研究对象,分别采用周期外延叠加技术、人工神经网络模型、投影寻踪自回归模型和支持向量机回归模型对三峡水库逐月入库径流进行预报。从不同侧面比较分析了这四种方法优劣,并总结各预报模型计算结果的特征及规律,为三峡水库寻求径流预报规律和制定未来中长期调度计划提供了技术支持。     

促进可再生能源市场化的省内中长期运行策略研究

针对可再生能源市场化进程的加快,结合中国电力市场建设现状,对促进可再生能源市场化消纳的省级中长期交易机制以及与现货市场的衔接问题进行研究。利用资源分布特点,提出以可再生能源消纳及常规机组合约完成进度偏差为目标的电量分解模型,针对可再生能源的不确定性,提出基于多场景集的ANFIS预测技术进行可再生能源中长期电量预测,以此为基础进行电量分解,提升可再生能源利用率;建立计及中长期合约分解电量及可再生能源出力不确定性的日前市场出清策略,保证中长期合约电量的物理执行,实现与现货市场的有序衔接。最后通过算例分析验证所提模型的有效性和实用性。     

基于KNN-LSTM的区域热负荷短期预测及在机组热电可行域的应用研究

为了准确预测热电联产机组的热负荷进而确定机组的热电可行域,使用互信息法筛选预测模型的输入参数。搭建了基于粒子群(PSO)参数寻优的最邻近节点(KNN)模型和长短期记忆神经网络(LSTM)模型对电厂的单日供暖热负荷进行预测,并提出将两种预测方法相结合的KNN-LSTM模型,通过对比发现该混合预测模型在处理短期热负荷异常波动问题时提高了预测模型的鲁棒性。在搭建热电联产机组热力仿真模型的基础上,根据热负荷短期预测结果和机组深度调峰限制条件确定机组的最低运行电负荷,提高了机组预测最低运行电负荷的能力。     

不同时间尺度随机来流对涡振非线性动力学的影响

基于耦合尾流振子的单自由度非线性圆柱涡振模型,开展了不同时间尺度随机来流下圆柱横向涡振的数值研究。分别建模实现具有不同长短时间尺度特征的随机来流,并计算得到涡振横向位移响应时间序列,利用相空间重构和李亚普诺夫指数对位移响应进行非线性特征分析。结果表明：两种来流下系统均出现噪声诱导间歇性现象,短时随机来流下出现“突发型”间歇,而长时随机来流下表现为“开-关型”间歇。