基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

基于GRA-EGA-LSTM模型的短期光伏功率预测

对光伏发电功率进行预测可为电力系统调度提供参考,有利于电网的安全稳定运行。为了提高光伏发电功率预测精度,采用灰色关联度分析法(Grey Relation Analysis, GRA)寻找待预测日的相似日作为训练样本;采用精英保留遗传算法(Elitist Model of Genetic Algorithm, EGA)对长短期记忆网络(Long Short-Term Memory, LSTM)的超参数进行寻优;将相似日的光伏功率和气象因素数据作为训练样本代入超参数寻优后的长短期记忆网络进行预测。通过仿真测试,基于GRA-EGA-LSTM组合预测模型的短期光伏功率预测精度要优于传统的LSTM模型。     

基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

基于自适应Kmeans和LSTM的短期光伏发电预测

光伏发电功率预测是可持续电力系统设计,能源转换管理和智能电网建设领域的重要主题。精准的光伏发电功率预测是电网日常调度管理与安全稳定运行的关键。本文提出了一种基于自适应Kmeans和长短期记忆(LSTM)的短期光伏发电功率预测模型。根据短期光伏发电特性,选取了预测模型的初始训练集。采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。最后,考虑三种典型天气类型,采用所提方法进行仿真分析。结果表明,与其他三种方法相比,本文提出的方法的精度有了明显提升,误差更小。     

电网接入光伏发电功率的实时调度与预测研究

光伏发电并网的容量具有随机性,其供电功率振荡会严重威胁电网安全稳定运行。提出基于实时调度的电网接入光伏发电功率预测方法。根据辐射量对电网接入光伏发电功率的关系曲线、电网接入光伏输出功率和温度的曲线、电网接入光伏发电功率和湿度之间的关系曲线,分析了电网接入光伏发电功率的影响因素;为避免光伏发电功率差异性较大带来预测结果不准确的问题,对电网接入光伏发电功率数据完成归一化处理;结合发电功率日特征相似度的计算结果,计算了权重欧式距离,获取具有最大影响力的功率数据,完成电网接入光伏发电功率的预测。实验结果表明,应用研究方法时,电网接入光伏发电功率的预测偏差始终低于0.05,获取的电网接入光伏发电功率预测结果始终分布在根据实际情况设定的阈值区间内。     

基于BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构建数据集,建立基于双向长短期记忆网络(BLSTM)与随机森林的短期光伏发电功率预测模型,并与其他模型的预测误差进行比较.仿真结果表明,提出的BLSTM-随机森林的短期光伏功率预测模型具有较高的预测精度.     

基于LSTM与迁移学习的光伏发电功率预测数字孪生模型

文章提出了一种基于长短期记忆网络(long short term memory network,LSTM),面向光伏发电功率预测的数字孪生模型,并通过迁移学习将此模型应用到其他投入运行时间较短、数据不足的光伏系统发电功率预测中。光伏发电功率由于受到太阳辐照度、温度和一些随机因素的影响,具有较强的间歇性和波动性,因此很难进行精确的光伏功率预测;所提出的数字孪生模型,实现了与光伏系统物理实体的同步和实时更新,因此获得比传统预测方法更准确的预测结果,同时利用从历史数据充足的光伏系统中学到的知识来辅助历史数据有限的光伏系统建立发电功率预测数字孪生模型,不仅可以得到精确的预测结果而且节省了模型训练时间。文中通过Queensland大学开源网站中3个不同站点以及山西晋能清洁能源公司的光伏历史数据验证了所提方法的有效性。     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

基于台区功率共济的屋顶光伏功率消纳方法

随着整县屋顶光伏试点工作的逐步推进,光伏功率消纳的问题日益凸显。为解决光伏发电功率波动大、消纳率低的问题,提出了一种基于台区功率共济的屋顶光伏功率消纳方法。首先,通过边缘物联终端采集配电台区屋顶光伏的发电功率数据,并采用长短期记忆网络对光伏历史发电功率和气象数据进行综合分析,生成多时间尺度的光伏发电预测曲线;其次,通过储能装置、跨台区联络开关建立微电网调度控制模型,计及短期光伏发电功率预测,合理安排用能策略、储能策略和跨配电台区功率共济消纳策略,以提高光伏功率的消纳水平;最后,在某县应用该方法,其光伏功率消纳比例达95.26%,较蒙特卡洛方法提高16.18%,运行结果验证了所提方法的有效性。     

光伏发电系统功率预测研究方法综述

随着光伏发电大量并入电网中,为了合理制订发电计划,保证电力系统稳定运行,需要对光伏发电输出功率进行预测。主要就光伏发电系统功率预测研究方法进行了综合阐述,介绍了影响光伏发电系统功率输出的主要因素,概括了光伏发电系统功率预测中常用的人工神经网络算法、支持向量机算法等统计方法,最后给出功率预测结果评估的指标。     

频域分解和深度学习算法在短期负荷及光伏功率预测中的应用

由于光伏发电和负荷的时变特性,光伏发电功率的消纳存在动态的过程,提升精细化的光伏及负荷预测技术对配电网的实时调度运行至关重要。该文在负荷和光伏发电精确预测的基础上,对光伏消纳能力进行分析。首先提出一种基于频域分解的短期负荷预测方法;其次,应用基于孤立森林和长短期记忆神经网络,预测短期光伏发电功率;然后,分析负荷特性及光伏发电特性;最后,结合消纳指标对安徽省某地级市国庆期间进行消纳能力分析。实验结果表明,所提出的短期负荷及光伏预测方法可达到理想的预测效果,消纳分析结果为该地区配电网火电机组调配提供参考意义。     

光伏发电功率预测方法综述

精确的光伏发电功率预测是实现光伏电站顺利并网的关键。然而,太阳辐射、气候和地理条件等因素会导致光伏发电功率频繁波动,给功率预测带来了巨大挑战。针对当前光伏新能源大规模并网的需求,从多个角度探讨了光伏发电功率预测的意义及其分类,综述了人工智能技术在光伏发电功率预测领域的最新应用,包括传统机器学习、深度学习和组合方法,并进行了对比和总结。目前研究的主要类型是单一光伏电站的超短期和短期光伏发电功率预测,深度学习方法和组合方法是主流预测方法,数据预处理、特征提取和误差补偿是提升预测精度的关键因素。最后,展望了人工智能技术在光伏发电功率预测领域的未来趋势和研究创新点。     

基于ACO-VMD-LSTM的光伏功率超短期预测研究

针对传统光伏功率超短期预测算法精度不高的问题,提出一种基于改进变分模态分解的长短期记忆网络的光伏功率预测模型。首先利用Pearson相关系数分析光伏功率影响因素,其次利用基于蚁群算法优化的变分模态分解对光伏功率序列进行分解,并将各模态分量级气象因素作为长短期记忆网络的输入,得到预测功率。仿真结果表明,与BPNN、LSTM模型相比,所提出的预测模型具有较高的预测精度,可为光伏电站功率预测提供参考。     

基于特征挖掘的indRNN光伏发电功率预测

光伏发电功率有明显的随机性、波动性和间歇性.准确地预测光伏发电功率对电网有序运行和调度有着极其重要的意义.本文提出一种基于特征挖掘的独立循环神经网络光伏发电功率预测模型.首先,探究环境因素与光伏发电功率的关系,并构造相应特征;然后,以构造后特征作为输入,输入到独立循环神经网络模型进行训练和预测;接着,用独立循环神经网络模型与传统循环神经网络和长短期记忆神经网络模型进行对比,独立循环神经网络模型不仅具有更强的记忆能力,更快的训练速度,同时也改善了循环神经网络的梯度弥散或爆炸问题;最后,采用实际光伏电站数据进行验证,验证了特征构造和独立循环神经网络模型的优越性,证明了特征构造后的独立循环神经网络模型预测精度比其他模型方法有显著提高.     

基于径向神经网络的光伏发电功率预测方法研究

光伏发电输出功率具有明显的随机性和不确定性,大规模光伏并网会影响电网系统的安全、稳定运行。因此,对光伏发电功率输出进行短期的预测对光伏并网具有重要意义。以大数据分析Spearman秩相关系数为基础,分析得到光伏发电过程中各个影响因素与输出功率的秩相关度,并将相关度最高的影响因素作为预测系统变量输入,建立基于RBF神经网络的预测模型,对光伏发电的功率进行预测研究,通过变量和输出量的历史数据对RBF进行训练与预测。     

光伏发电系统功率预测方法综述

提高功率预测水平是光伏发电系统并网的关键技术问题,对提高光伏发电开发利用、保证电网安全运行有重要意义。对光伏发电系统的功率预测方法进行了分析与总结,根据光伏发电的应用及需求,归纳了各类光伏发电系统功率预测方法的优点及不足,希望对我国光伏发电预测方法的发展起到一定的促进和推动作用。     

基于数字孪生的光伏发电功率超短期预测

光伏发电功率超短期预测对减小光伏并网对电网冲击及维持电网安全运行具有重要意义。提出一种基于数字孪生的光伏发电功率超短期预测机制,通过构建数字孪生体进行实时、高精度的光伏功率预测。首先根据GA-BP神经网络(geneticalgorithm-backpropagationneuralnetwork)构建光伏发电功率预测虚拟模型,并通过多维度的传感器采集光伏电池以及周围环境的各项孪生数据,同时更新历史数据库。然后以采集到的孪生数据为基础进行功率预测并得到初步预测结果。最后通过相似气象搜索,得到相似情况下的实际功率值和当时的预测功率,进而修正初步预测结果,得到最终预测功率。仿真算例结果表明,所提方法能有效提高光伏发电输出功率超短期预测精度。     

基于改进神经网络算法的光伏发电功率短期预测

光伏发电技术因其清洁无污染、安装便利、维护成本低和使用效率高等优势近年来获得了快速的发展,但是光伏输出功率具有明显的随机性和不确定性,当其大规模接入电网后其波动特性表现的更为突出,给电网带来巨大冲击的同时降低了电网运行的可靠性,增添了电网调度运行管理的成本与难度。针对此问题本文提出一种基于粒子群算法和神经网络算法的组合预测方法对光伏发电功率进行短期预测,对传统神经网络功率预测算法寻优性能欠佳的问题进行改善,利用粒子群算法对输入样本进行合理优化,同时利用变步长的动量梯度法对神经学习因子进行不断修正,形成一种组合的功率预测方法用于光伏功率预测。仿真结果表明本文预测模型在日类型天气为晴朗天气时的预测结果最好,精度提升相比传统方法来说13%左右。