基于混合神经网络的光伏电量预测模型的研究

精确的光伏发电量预测对光伏发电系统的安全运行有重要的作用。然而,由于太阳能的不稳定性、间歇性和随机性,现有光伏发电量的短期预测模型存在预测误差大、泛化能力低等问题。因此,提出一种混合神经网络和注意力机制的分布式光伏电站电量短期预测模型(A-HNN)。利用残差长短期记忆网络与扩展因果卷积相结合提取数据的时间和空间特征,加入注意力机制增强特征选择,给出一种改进的混合神经网络模型。根据发电量数据时间序列本身的特性,选取以日为周期的时间序列数据。最后,通过实验与近期其他模型对比,结果表明在同等条件下此混合模型可以大幅提高光伏发电量预测的精度。     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于高阶马尔可夫链和高斯混合模型的光伏出力短期概率预测

为提高光伏电站出力预测的准确性,给调度决策人员提供更丰富的预测信息,提出一种基于高阶马尔可夫链(highorderMarkovchain,HMC)和高斯混合模型(Gaussian mixture model,GMM)的光伏电站短期出力概率预测方法。首先对光伏电站的历史出力数据进行HMC建模,通过计算邻近时段光伏出力数据的Pearson相关系数确定马尔可夫链的阶数,并统计历史数据得到邻近时段光伏出力的状态转移概率矩阵。然后以此为基础建立GMM形式的光伏出力概率预测模型,并提出基于相似气象条件下的数据样本对GMM中各高斯分布的均值与方差进行修正,最终得到光伏电站出力的概率密度函数。以实际光伏电站数据为例进行分析,结果表明所提出的概率预测方法具有较高的准确性,且与传统的点预测方法相比,概率预测能够为电网运行决策提供更多有益信息。     

基于IOWA算子的短期光伏发电量组合预测

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EMD分解的AR模型光伏发电预测方法探讨

针对短期光伏发电因随机性、复杂性和易受外界因素干扰的特点而很难做出准确的分析和预测，提出了一种基于EMD分解的AR模型光伏发电量预测的方法。该方法利用光伏电站的历史发电数据和天气情况作为输入参数来训练建立的模型，以预测次日的发电量。试验结果证明该方法适用于光伏发电量预测，能有效减小误差，具有一定的参考价值。     

基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测

准确预测光伏发电功率对电网调度具有十分重要的意义.该文提出一种基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测方法.首先,利用灰色关联分析对某地区多光伏电站进行空间相关性分析,选取与待预测光伏电站高度相关的周边电站;然后,基于GeoMAN模型动态提取待预测光伏电站的时空特征和外部气象因素,GeoMAN模型采用编解码结构,利用编码器动态提取待预测光伏电站的站内特征和与周边相关电站的站间空间特征,利用解码器提取输入变量的时间特性,并融合晴空指数和数值天气预报动态输出光伏发电预测功率;最后,采用实际光伏电站进行案例分析,结果表明该文所提出的预测方法与传统LSTM模型相比,实现了更高精度的光伏发电功率短期预测.     

基于混沌CSO-WNN-RBF的光伏功率超短期组合预测

针对现有的光伏功率超短期预测方法难以得到所需复杂的气象数据,且光伏时间序列具有混沌特性,将小波去噪后的光伏电站的历史功率数据利用C-C法挖掘数据自身所包含的各影响因子.利用鸡群算法(CSO)对小波神经网络(WNN)的初值进行寻优,来提升WNN的预测性能.由于径向基函数(RBF)神经网络预测模型处理非线性输入输出关系具有较好的效果,将光伏功率时间序列分解为线性部分和非线性部分.提出一种CSO-WNN-RBF组合预测模型,利用CSO-WNN模型和RBF模型有序预测序列的线性部分和非线性部分,实现光伏电站输出功率的超短期组合预测.最后进行算例分析,将CSO-WNN-RBF预测模型与CSO-WNN预测模型、RBF预测模型进行预测效果对比.结果表明,所提方法在各天气类型中均保持良好的预测准确度和适用性.     

基于核偏最小二乘的光伏发电出力预测

光伏发电出力与太阳辐射强度和温度等气象条件关系密切,在出力预测模型中,气象因素与出力数据存在着非线性关系,同时各气象因素之间也存在非线性的关系。核偏最小二乘(KPLS)方法具有较强的处理非线性问题的能力,本文基于KPLS方法建立光伏发电出力预测模型。利用光伏电站的历史气象数据和出力数据对KPLS预测模型进行训练,训练的模型用以预测光伏电站的出力。通过实际光伏电站运行数据的验证,并将预测结果同偏最小二乘(PLS)方法和人工神经网络(ANN)方法的预测结果相比较,实验结果显示KPLS预测模型具有较准确的预测能力和较强的适用性。     

组合数值天气预报与地基云图的光伏超短期功率预测模型

为减轻光伏电站被云团遮挡导致发电功率突然衰减所造成的影响,提高光伏超短期的预测精度和预测有效时间长度,文中提出数值天气预报与地基云图相结合的光伏超短期功率预测模型。该模型首先基于临近晴空工况光伏超短期功率预测方法实现未来4h预测,接着使用数值天气预报云量信息和地基云图等方法预测未来4h内云团遮挡电站导致的功率衰减,并进行临近校正,以提高光伏超短期功率预测的精度。研究结果表明,文中所述模型具有很好的可行性和实用性,为光伏电站0~4h超短期功率精确预测提供了一种方法。     

基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测

为了应对分布式光伏渗透率不断提高带给电网运行的挑战,提出了一种基于近邻传播聚类与长短期时间序列网络(LSTNet)的区域分布式光伏电站群短期功率预测模型。首先,利用近邻传播算法划分区域内不同季节的分布式光伏电站群,并通过皮尔逊相关系数确定光伏出力的强相关气象因子,结合双线性插值法加密对应光伏电站群的气象数据。然后,通过LSTNet挖掘光伏功率和气象因子序列的长期和短期时空依赖,并叠加自回归的线性分量,实现了群内多个光伏电站的同时预测。最后,利用美国国家能源部可再生能源实验室的实测数据集验证了所提方法的有效性。实验比较表明,所提预测模型具有较高的预测精度和鲁棒性。