基于变分贝叶斯学习的光伏功率波动特性研究

光伏出力波动严重影响电力系统稳定运行。对光伏出力爬坡率进行分析,建立光伏出力爬坡率的高斯混合模型,并用变分贝叶斯学习算法估计模型参数。某光伏电站大量实测数据检验表明,在进行光伏功率波动特性研究方面,在不同时间尺度和天气类型下,变分贝叶斯学习算法比单一分布及基于最大期望算法的方法具有更好的拟合效果。     

一种风光联合出力概率模型建模方法

随着风电和光伏等新能源渗透率的逐年提高,其波动性和随机性对电力系统的安全稳定运行产生重要影响。考虑风电和光伏在时空上的波动性和相关性,提出基于混合高斯模型的多时空尺度的风电—光伏联合概率建模方法。该方法首先基于历史数据的数理统计结果,提出三阶混合高斯模型。使用K-means聚类方法求得模型各参数的迭代初值,运用最大期望算法求取混合高斯模型参数最优值。该模型具有同时考虑风电和光伏相关性和波动性的优点。以我国东南地区风电场和光伏实际数据为例进行仿真。仿真结果表明,所提出的3阶混合高斯模型对风光联合出力的概率特性具有良好的拟合效果。     

基于高斯混合模型的配电网大规模光伏与电动汽车充电桩协同规划

大规模不确定性源荷接入对配电网安全经济运行产生了显著影响。针对分布式光伏出力强不确定性导致多元源荷规划过程中主动配电网供电质量下降的问题,提出一种计及不确定性的主动配电网多元源荷多目标规划方法。利用高斯混合模型对分布式光伏出力进行刻画,根据出力峰值初步确定其装机容量;建立了用于确定分布式光伏和电动汽车充电桩位置的联合优化规划模型;采用多目标粒子群算法进行求解,得到Pareto最优边界进而获得分布式光伏和电动汽车充电桩的最优规划方案。通过IEEE 33节点算例,仿真验证了所提基于高斯混合模型的多元源荷多目标规划方法的有效性。     

模糊聚类-Elman神经网络短期光伏发电预测模型

光伏发电功率预测是电网安全稳定运行的基础,从数据挖掘的角度提升光伏发电功率预测精度,文中提出基于孤立森林、模糊C均值和Elman的短期光伏发电功率预测模型。根据预测日选择相似日数据并按天气分类作为训练样本;采用孤立森林清洗训练样本中的异常部分;应用模糊C均值对相似日以及待预测日的气象数据进行聚类分析。结合Elman神经网络算法,形成含孤立森林数据清洗的模糊聚类-Elman神经网络的预测模型,对光伏出力进行精确预测。根据某地市现场实测数据进行实验仿真,预测结果分别与传统Elman和BP模型的预测结果进行对比,所述模型可以获得更高的预测精度。     

基于相似日匹配及TCN-Attention的短期光伏出力预测

短期光伏出力预测对电力系统生产调度计划的合理制定极其重要,有助于促进光伏发电并网和消纳。光伏出力受气象特征影响较大,其过程具有波动性、间歇性、不可控等特点,导致快速、精准地进行短期光伏出力预测成为一项挑战。对此,文章提出一种基于相似日匹配及TCN-Attention的组合预测模型。首先,文章采用时间序列形态聚类算法和最大信息系数对光伏出力的相似性进行刻画,避免全部历史数据作为输入所产生的数据冗余;然后,利用可并行计算的时序卷积网络学习光伏出力特征,引入Attention机制突出关键气象特征的影响,有效提高模型训练速度和预测精度。基于实际数据的实验结果表明,较之其他预测方法,文章提出的方法具有信息提取直接、训练速度快、预测精度高等优点。     

一种基于改进灰色BP神经网络组合的光伏出力预测方法

光伏发电具有典型的间歇性、波动性等特点。准确预测光伏出力对电网调度、电网规划、提升新能源发电竞争力具有重要意义。提出了一种基于改进灰色BP神经网络的多模型组合光伏出力预测方法,采用常规GM(1,1)模型、幂函数变换GM(1,1)模型、基于残差修正的GM(1,1)模型以及等维新息GM(1,1)四种模型,利用BP神经网络对光伏出力的单一灰色预测结果进行优化组合输出,并根据输出值和期望值的偏差自动调整组合权值。该方法通过将多个单一预测结果组合成样本训练BP神经网络来获得较优权系数,避免了数值求解权系数的复杂过程,能够得到更为精确的预测结果。采用湖北某地光伏系统实际出力数据对该预测方法进行了验证。计算结果表明该基于改进灰色BP神经网络组合的光伏出力预测方法能够明显提高光伏出力预测精度。     

基于可信性理论并网光伏发电系统极限容量模型研究

并网光伏发电系统极限容量计算是一个复杂问题,是分布式电源规划的基础.针对机会约束规划模型的不足,提出以可信性理论为基础的并网光伏发电容量优化模型,模型考虑了光伏发电出力、并网位置和电网负荷预测的模糊性,利用混合智能算法,通过30节点算例,对所建立模型进行验证,认为该模型更好地适应了光伏电站出力的随机性和电网负荷数据的模糊性,具有更高的鲁棒性和灵活性.     

基于和声搜索-高斯过程混合算法的光伏功率预测

光伏发电并网后会对电网产生冲击,影响电网稳定。通过对光伏发电功率的特性分析,在研究高斯过程算法原理的基础上,建立了基于高斯过程的光伏发电功率预测模型。针对传统高斯过程中优化超参数采用共轭梯度法存在的缺陷,提出采用和声搜索算法代替共轭梯度法,得到一种基于和声搜索优化的混合高斯过程模型。仿真结果表明,采用和声搜索优化后的高斯过程混合算法比传统高斯过程方法的预测精度更高。     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

基于马尔可夫模型的光伏出力聚类与模拟

恰当地处理光伏数据并建立合理的出力模型是含光伏发电系统运行与规划的基础。该文基于马尔可夫模型和谱聚类算法,综合考虑光伏出力的天气特性、日特性、季节特性,提出了一种光伏出力聚类和模拟方法。首先,从光伏出力中提取幅值、基准出力和波动出力,基于马尔可夫模型针对波动出力进行聚类分析,并利用Alpha值、Silhouette指数、贝叶斯准则确定最佳聚类数;然后,整合聚类结果并搭建基于月内天气状态和日内出力状态的双层马尔可夫模型;最后,利用双层抽样得到中长期光伏模拟时序出力。与传统K-means算法相比,基于马尔可夫模型的谱聚类算法能够更好地解决光伏出力数据可能出现的数据丢失与误测问题,并具有更好的天气区分性。与马尔可夫蒙特卡洛模拟相比,该文所提光伏出力模型能够更好地保持光伏出力的天气特性、时序特性和概率特性,并具有更高的精度。算例分析验证了该文所提模型的有效性。     

基于Copula理论的光伏功率高比例异常数据机器识别算法

目前很多在运光伏电站由于通信故障、设备异常、人为限电等问题导致功率实测数据含高比例异常数据,极大阻碍了电站性能分析和功率数据的深化应用。基于Copula函数建立了描述辐照度与光伏功率间相关关系的概率功率曲线模型,进而针对光伏实测数据分散度、随机性强,异常数据比例高的特点,结合工程经验归纳了三类典型异常数据特征并提出了相应的异常数据机器识别模型。利用实测光伏电站数据和人工生成数据集进行仿真分析表明,采用该异常数据机器识别模型能适应高比例异常数据条件,有效识别各种类型异常数据,具有比常规3-sigma识别法更好的适应性和识别率。     

基于CFSFDP算法的边缘电力数据异常检测

随着智能电网的不断发展,电力设备产生的数据量逐渐增多,如何利用电力数据成为电网发展的关键。为了保障电力数据的准确性,在边缘端快速检测并处理异常数据,提出了一种基于CFSFDP算法的电力数据异常检测的方法。该方法基于CFSFDP的假设,将局部密度较低且距高密度点较远的样本点定义为异常值,并创新使用了一种根据前后k值自动选择异常值的策略,解决了人工选择时存在主观因素影响的问题。通过与DBSCAN和LOF的比较表明,该方法能够快速、高效地找出电力数据中的异常值,适用于边缘电力数据异常检测。     

基于密度分簇的长周期监测数据异常识别方法

针对水工结构长周期监测数据野值识别中存在分布假设难以满足、野值点数量受限和野值难以有效量化的问题,提出了以改进局部异常系数算法为基础的密度分簇局部异常识别方法。该方法将长周期监测数据集分为极端簇、野值簇和正常簇,在每个簇中以不同方式赋予异常可能性,得到了综合考虑自变量和效应量的异常可能性时序图,实现了水工结构长周期监测数据野值识别与量化分析。核心算法预先不使用任何分布假设,改进了局部异常系数算法可达距离的定义,扩大了高异常系数与低异常系数的差值,使得野值与其他数据点更易区分。依托实际调水工程长周期监测数据,考虑实测数据集中野值数量和位置均未知的情况,根据异常可能性计算可信程度作为回归分析模型的权重,模型预测结果与未加权重的模型相比得到了较大提高,验证了所提出方法的有效性。     

基于机器学习的配电网异常缺失数据动态清洗方法

针对传统配电网数据清洗过程中异常数据判断阈值需要人为设定、缺失数据填补效率不佳的局限性,提出基于机器学习的配电网异常缺失数据一体化动态清洗方法。首先,基于局部异常因子检测算法和高斯混合模型,提出一种异常数据动态检测改进算法,实现配电网异常数据阈值的准确自动选择。其次,基于随机森林算法与最小二乘回归法,提出一种配电网缺失数据动态填补算法。根据缺失数据时间长度自适应优化填补算法,在保证数据填补精度的同时降低计算时间。在此基础上,通过异常数据检测和缺失数据填补共同构建一体化动态清洗架构。采用湖南某地区配电网数据进行实例验证,结果表明所提方法可实现异常辨识阈值准确自动选择,有效检测配电网异常数据,并且实现缺失数据填补精度与速度的平衡,具有较好的工程应用价值。     

特征增强的改进LightGBM流量异常检测方法

针对机器学习在流量异常检测中存在选择特征过于依赖专家经验、原始特征表达能力不足、数据受噪声和离群点影响导致模型鲁棒性差以及处理非平衡海量高维数据时少数异常类检测率低等问题,提出一种特征增强的改进LightGBM(light gradient boosting machine)流量异常检测方法。首先,采用隔离森林(isolation forest, iForest)实现异常值处理,并利用异常值处理后的数据训练引入全局平均池化(global average pooling, GAP)的一维卷积去噪自编码器(convolutional denoising autoencoder, CDAE),间接地消除数据中的噪声,得到原始特征的低维增强表达。然后,采用自适应合成采样(adaptive synthetic, ADASYN)对异常值处理后的数据实现数据增强并运用训练完成的CDAE进行特征提取,将得到的低维特征作为LightGBM的输入,训练并进行贝叶斯参数寻优。最后,通过得到的CDAE+LightGBM组合模型实现对异常流量的精准分类。在NSL-KDD数据集上所提方法的五分类准确率和F1分数分别达到了87.80%和87.75%,能够有效提升检测精度,增强未知攻击的检测能力。在CICIDS2017场景数据集上的测试进一步验证了所提方法可行性,且优于与同类型的深度学习算法。     

基于高斯混合随机性模型的多风电场配电网概率潮流计算

风速的随机性及风电场之间的相关性对电力系统潮流分析具有重要影响。计及风速的随机性及多风电场之间的相关性,提出一种改进的概率潮流计算方法。基于多风电场实际出力样本数据,利用k-means算法确定高斯混合模型的参数数量,并利用数据筛选过程改进高斯混合模型以提高联合分布模型的精确度;引入基于Nataf估算变换的三点估计法对所建概率分布模型进行采样,并将采样数据与电力系统潮流平衡方程结合以实现概率潮流计算。IEEE 18节点系统的算例结果表明,所提方法具有较高的计算精度和计算效率。     

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。     

改进北方苍鹰算法在光伏阵列中应用研究

针对北方苍鹰优化算法(NGO)存在收敛精度低和易陷入局部最优等问题,提出一种改进北方苍鹰算法(INGO),并应用于光伏阵列故障诊断。首先,利用Circle映射、自适应权重因子和Levy飞行策略改进了北方苍鹰优化算法,结合高斯检测机制和混合核极限学习机(HKELM)搭建INGO-HKELM故障诊断模型。其次,将INGO算法与NGO、粒子群算法(PSO)、鲸鱼算法(WOA)在测试函数上进行比较,表明在寻优能力、稳定性等方面具有优越性。然后,分析不同运行状态下光伏阵列运行特征,提出一种5维故障特征向量,作为数据的输入。最后,将4种算法分别对HKELM的核参数进行优化并实现故障分类。结果表明,所提方法能够准确地检测出光伏组件发生的异常状态,INGO-HKELM模型准确率达到93.74%,验证了所提算法的有效性和可行性。     

基于广义S变换的光伏电站谐波和间谐波分析方法

针对S变换高斯窗函数形式固定不变的问题,引入高斯窗调节因子改进S变换,提出一种基于广义S变换的光伏电站谐波和间谐波分析方法。首先通过MATLAB/Simulink搭建光伏电站的仿真模型,在自然采样双极性SPWM调制方式下采集逆变器的三相输出电压;然后以A相电压为例,采用广义S变换对电压信号处理得到一个模时频矩阵;最后对该矩阵分析实现光伏电站谐波和间谐波参数的准确计算。仿真结果表明,本文方法的幅值计算误差最大仅为3.30×10^-4%,频率的平均计算误差为0%,远小于S变换幅值误差35.19%和频率误差2.39%;能满足光伏电站谐波和间谐波检测精度的需要。