基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。     

基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

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CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

基于VMD-ISSA-KELM的短期光伏发电功率预测

针对光伏发电功率存在随机性和波动性较强、预测精度较低的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)和改进松鼠觅食算法优化核极限学习机(improved squirrel search algorithm optimization kernel extreme learning machine, ISSA-KELM)的预测模型。首先,利用高斯混合模型(Gaussian mixture model, GMM)将光伏发电功率数据进行聚类,得到不同天气类型下的相似日样本。其次,利用VMD对原始光伏发电功率序列进行平稳化处理,得到若干个规律性较强的子序列。然后,对不同子序列构建KELM预测模型,并使用ISSA优化KELM的核参数和正则化系数。最后,将不同子序列的预测值进行重构,得到最终预测结果。结合实际算例,结果表明：所提出的VMD-ISSA-KELM模型在不同天气条件下均能得到满意的预测精度,且明显优于其他模型,验证了其有效性和优越性。     

基于改进的极限学习机光伏出力短期预测

针对传统极限学习机易陷入局部最优解的缺点以及环境变化导致光伏出力波动的特点，构建了一种基于自适应噪声完全集成经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）算法，结合黑猩猩优化算法优化极限学习机神经网络的光伏出力短期预测模型。首先利用CEEMDAN算法将影响光伏输出功率的关键环境因素序列进行分解，得到数据信号在不同时间尺度的局部特征，降低环境因素序列的非平稳性，然后将各分解子序列和光伏历史数据序列作为黑猩猩算法优化的极限学习机预测模型输入进行预测。最后，选用DKASC Solar Centre光伏电站数据集对不同预测模型进行验证对比。实例仿真结果表明，构建的改进光伏出力预测组合模型的各项指标预测效果更好，且适用不同环境的光伏发电预测。     

基于混沌-RBF神经网络的光伏发电功率超短期预测模型

光伏出力时间序列的随机性和波动性使得光伏出力预测难以达到理想的精度,而提高预测精度是降低光伏并网不利影响的前提。因此,在揭示光伏出力波动本质的基础上,提出了混沌-径向基函数(radial basis function,RBF)预测模型。首先,应用小波去噪处理后光伏发电功率实测数据,基于C-C法重构系统相空间,运用相图法和改进最大李雅普诺夫(Lyapunov)指数法,对输出功率进行非线性动力学分析,确定光伏出力具有混沌特性;然后,分析光伏出力相空间轨迹局部变化的规律性,采用RBF神经网络对系统轨迹进行拟合,建立基于混沌-RBF神经网络的光伏发电功率超短期预测模型;最后,选取去噪后的实测数据对所建模型进行训练和预测,验证模型在不同天气状况下的预测效果。结果表明,所建模型对晴朗、多云和阴天等天气状况都有较好的预测精度,显示出良好的预测性能。     

基于CEEMDAN-BO-LSTNet的风电出力短期预测

为提高风电出力预测精度,提出一种自适应噪声完备集合经验模态分解(CEEMDAN)-贝叶斯优化(BO)-长短期时序网络(LSTNet)对风电机组输出功率进行短期预测。清洗数据,采用CEEMDAN对清洗后的原始功率数据进行分解,得到若干个子序列;将分解得到的子序列输入至LSTNet模型,通过对LSTNet的超参数使用BO算法优化,输出子序列的预测结果;将各序列的预测结果进行叠加重构得到最终预测结果。通过对渭南某风电场机组实测数据进行实例仿真,设置消融分析和对比分析,结果表明文中所提方法相较于其他模型,预测精度得到有效提升。     

基于VMD-LSTMQR的滚动母线负荷区间预测

负荷区间预测能够对负荷出力变化进行概率化分析,准确量化不确定性因素对负荷的影响。相较于传统的点预测,区间预测更能直观反映负荷变化趋势,有助于保障电力系统的安全稳定运行。基于此,文中提出一种基于变分模态分解-长短期记忆神经网络分位数回归（VMD-LSTMQR）的滚动母线负荷区间预测方法。首先,文中采用VMD将原始母线负荷分解成一系列不同频率特征的子序列;接着,确定不同子序列的最优滚动步长并采用LSTMQR分别对不同子序列进行区间预测;最后,将不同子序列的区间预测进行重构,得到原始母线负荷预测结果。文中利用220 kV和10 kV母线负荷数据验证了所采用的区间预测模型相较于传统区间预测模型在预测精度、区间宽度方面得到明显改善。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

基于多元自适应回归样条的光伏并网系统日输出功率预测

为了更加准确、灵活地预测光伏发电系统的输出功率,提出了基于多元自适应回归样条(MARS)的光伏系统输出功率预测方法。通过对该算法的原理进行分析,确定了模型分析流程,并介绍了数据来源。其次,以气温、日照时间等因素作为自变量,对MARS模型进行了分析研究,确定了光伏功率预测时的仿真模型。最后,将提出的预测方法与现有的预测方法进行了对比。通过训练数据以及测试数据对比分析各种方法的RMSE、MAD和MAPE,并根据历史数据预测光伏日输出功率。通过对比证实了MARS模型比其他模型更能准确预测光伏系统的输出功率。     

基于典型气象周的GRNN光伏发电量预测模型

由于光伏发电量具有波动性,且现有的光伏发电量预测技术存在气象因素考虑不全面、特征提取不充分等问题,为提高光伏发电量预测精度,文中提出一种改进的典型气象年方法(TMY Method)生成典型气象年数据,并结合广义回归神经网络(GRNN)进行光伏发电量预测。首先,选择6种历史气象指标,利用Finkelstein-Schafer统计方法选择典型气象周,并生成典型气象年数据;然后,使用因子分析法对会影响光伏发电量的气象指标进行筛选,对筛选出的气象指标和日光伏发电量进行标准化处理后,将其作为GRNN模型的初始输入量,得到预测日的光伏发电量;最后,利用江苏省南京市的历史气象数据及日发电量数据对所设计的模型进行训练和预测。结果表明,与标准TMY Method-GRNN预测方法相比,文中所提预测方法有较好的预测性能。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

基于集成学习的分布式光伏发电功率日前预测

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划，降低新能源发电对电网的冲击，提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先，根据光伏出力主要受天气影响的特点，通过皮尔逊系数获得相关性强的气象因素，利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集；然后，将极限学习机（extreme learning machine，ELM）引入Boosting框架，构建光伏出力日前预测模型（B-ELMs）；最后，利用真实光伏电站运行数据验证模型有效性，该模型在试验过程中展现出良好的适应性，最高决策系数（R²）达0.9819。实验结果表明，由于集成学习框架的存在，B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果；同时，相较于深度学习网络，B-ELMs的收敛速度更快，在维持较快训练速度的同时保障更为精确的预测结果。     

An operating method using prediction of photovoltaic power for a photovoltaic–diesel hybrid power generation system

This paper describes a novel operating method using prediction of photovoltaic (PV) power for a photovoltaic–diesel hybrid power generation system. The system is composed of a PV array, a storage battery, a bidirectional inverter, and a diesel engine generator (DG). The proposed method enables the system to save fuel consumption by using PV energy effectively, reducing charge and discharge energy of the storage battery, and avoiding low‐load operation of the DG. The PV power is simply predicted from a theoretical equation of solar radiation and the observed PV energy for a constant time before the prediction. The fuel consumption of the proposed method is compared with that of other methods by a simulation based on measurement data of the PV power at an actual PV generation system for 1 year. The simulation results indicate that the amount of fuel consumption of the proposed method is smaller than that of any other methods, and is close to that of the ideal operation of the DG. © 2005 Wiley Periodicals, Inc. Electr Eng Jpn, 151(3): 8–18, 2005; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.20116     

考虑系统调峰特性的风光消纳优化

由于风电和光伏发电受自然因素的影响较大,其出力具有随机性和波动性,将对系统的调峰能力造成严重影响。该文首先针对风电自身的出力特性,从系统调峰能力的角度对区域电网可以接纳的风电容量进行评估;然后根据风电和光伏发电在时间尺度上存在的互补性,建立以系统失负荷率最低和弃风、光率最小为目标的优化模型,利用改进惯性权重的粒子群算法对模型进行求解,得到最优的风电和光伏发电出力。最后,利用实际区域电网风电、光伏发电以及负荷的历史数据对该文所提方法的有效性进行验证,结果表明采用风光互补优化策略对风电和光伏发电的输出功率进行优化后,系统出力波动有所降低且消纳能力有明显提升。     

基于光伏波动性的储能出力特性分析

以研究储能系统出力为目标,从时间、频率角度研究光伏发电波动性,以EMD算法对光伏发电频率进行分解,通过分解得出的IMF残值得出:在多云天气下,光伏发电系统内储能出力频繁,平抑光伏波动强,晴朗天气下,储能系统的出力具有规律性且时间固定的结论。