基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法

为了充分挖掘不同尺度影响因子对短期电力负荷的影响,以及解决预测精度受数据非平稳特性影响的问题,提出了一种基于多尺度模型融合和VMD-TCN-RF混合网络的短期电力负荷预测方法。该方法先采用变分模态分解(Variational Mode Decomposition, VMD)将历史负荷分解为若干平稳性好的本征模态函数(Intrinsic Mode Function, IMF)分量,再把VMD分解得到的各个历史负荷的IMF分量和气象数据分别送入时间卷积网络(Temporal Convolutional Network, TCN)进行特征提取;将所有TCN网络提取的特征融合为一个新的特征向量;最后将融合得到的特征向量与经过One-Hot编码的日期因素特征向量拼接,把拼接得到的向量送入随机森林网络进行预测。通过公开的电力负荷数据集对本方法进行验证,结果表明所提方法与现有模型相比具有更高的预测精度。     

基于FMCW雷达的人体生命体征信号预测算法

将FMCW雷达检测到的人体生命体征信号,用于预测未来一段时间内人体生命体征信号是否异常,具有明显的应用价值。该方向当前研究主要针对如何进一步降低重构误差、提升生命体征信号的预测精度。为此,本文提出一种自适应变分模态分解?长短期记忆神经网络的生命体征信号预测方法。针对静止状态下的人体,通过雷达采集到的生命体征信号,采用粒子群算法优化变分模态分解VMD的模态分量个数K和惩罚系数α的值,实现自适应选取后用于VMD分解,再将分解后的模态分量进行叠加重构。采用粒子群算法优化长短期记忆网络模型中的网络层数、学习率、正则化系数等3个参数,自适应选取合适的参数组合,将重构后的信号通过优化后的LSTM网络进行预测。实验结果显示本文所提预测方法在10位志愿者的预测结果与原始数据的均方根误差平均值为0.017 188 9,平均绝对误差的平均值为0.007 158,相较于当前其他研究,预测精度上有明显提升。     

基于奇异谱分解和双重注意力机制的超短期光伏功率预测方法

准确的光伏功率预测可以有效促进光伏发电的安全高效利用。针对现有方法预测精度不足的问题，提出一种结合奇异谱分解（SSD）、双重注意力机制和双向门控逻辑单元（BiGRU）时序建模的超短期光伏功率预测方法。首先利用SSD降低光伏信号的随机性和波动性；然后利用BiGRU网络对分解后的信号进行时序建模，并设计了一种同时学习特征序列和时序序列的重要性权重的注意力模块，对BiGRU网络提取的特征进行权重加权；最后经过决策层获得最终的光伏功率预测结果。实验结果表明，SSD和注意力机制可以有效提升深度时序模型的光伏功率预测精度，在不同季节和不同天气情况下均优于其他几种经典方法，具有较高的实用价值。     

基于气象相似日选取与提升回归树的光伏发电短期功率预测

针对气象条件不稳定引起的光伏发电出力波动性和间歇性,提出基于气象相似日选取和提升回归树的光伏发电短期功率预测方法。本方法采用熵值法计算影响光伏发电功率各种气象因素的权重,采用动态时间弯曲距离计算历史日与预测日各气象因素相似度;对于每一个预测日的光伏发电功率预测,以历史相似日的气象数据和发电功率数据作为训练样本,采用提升回归树构建光伏发电短期功率预测模型,能够明显提升预测精度。以某光伏电站为研究对象,考虑气象相似日的提升回归树算法与回归树、提升回归树算法对比表明,光伏发电短期功率预测准确度有较大幅度提升。     

基于k-sums分段聚类的动态组合学习光伏短期功率预测

目前单一模型预测精度存在难以随着功率波动保持最优的问题,为提高并网系统运行的稳定性和电网的节能调度,文中提出了一种基于k-sums分层聚类的动态学习组合光伏短期功率预测方法。利用k-sums算法经过分段聚类,将天气类型分为晴天A₁、多云A₂、阴雨天B。通过TCN(Temporal Convolutional Network)提取数据的时序特征,并结合GRU(Gate Recurrent Unit)建立融合提取时序特征模块的改进GRU结构,以达到对时序特征敏感的效果。将改进GRU结构与SVM(Support Vector Machine)动态组合,使用Elastic Net算法输出最佳权重值叠加得到最终预测值。文中采用江苏某地区的光伏发电功率数据及对应的气象数据对所提方法进行验证,结果表明动态组合学习模型的MAE(Mean Absolute Error)为1.888,RMSE(Root Mean Squared Error)为2.403。     

基于EMD-LSTM-ARMA模型短期发电量组合预测

根据我国某地区2019年4月—9月某光伏电站的发电量数据，提出一种基于EMD-LSTM-ARMA的短期发电量混合预测模型。为了降低发电量序列的复杂度，首先将原始发电量数据通过经验模态分解后得到5个本征模态分量和1个残差分量，将归一化后的第一本征模态分量和第二本征模态分量数据输入设计好的LSTM网络中进行建模预测；然后通过ARMA模型对第三本征模态分量数据（IMF3）进行建模预测，再将第四本征模态分量、第五本征模态分量和残差分量进行重构得到一个低频分量，将该低频分量输入设计好的LSTM网络中进行建模预测；最终对各个分量得到的预测数据进行求和得到最终的预测值。为了表明所提算法的优良性，实证结果对比了单一LSTM和ARMA模型的预测性能，并选择了RMSE值进行了对比验证。实测结果中EMD-LSTM-ARMA的RMSE值为32.68，单一LSTM的RMSE值为58.74，单一ARMA模型的RMSE值为59.83。实证结果表明了给出的组合预测模型可以产生更高的预测准确度。     

一种用于平抑风光功率波动的混合储能容量配置方法

风光发电功率具有强随机性和波动性,直接并网会引起电网频率不稳定,可利用混合储能系统有效平抑。文中以全钒液流电池和超级电容组成混合储能系统作为研究对象,提出一种混合储能容量配置方法。首先,采用自适应移动平均算法确定风光并网功率和储能系统功率;然后,利用鲸鱼优化的VMD分解储能系统功率,得到一系列模态分量和残差量,考虑残差量中可能包含的丰富信息,对其作相同的VMD分解,将两次分解产生的各模态分量分别作希尔伯特边际谱分析,确定分界频率,将所有低于分界频率的模态分量分配给全钒液流电池,其余由超级电容承担;最后,根据全钒液流电池和超级电容各自吸收、补偿功率情况,配置储能系统的额定功率和额定容量。算例分析表明,文中方法能够有效平抑风光输出功率波动,并实现混合储能系统额定功率、容量合理配置。     

基于注意力机制和EMD-GRU模型的电力负荷预测

为提高非平稳性电力负荷的预测精度以及充分挖掘历史负荷数据的时序特征,本文提出了基于注意力(Attention)机制和经验模态分解(EMD)以及门控循环神经网络(GRU)组合的负荷预测方法.首先使用EMD对原始负荷数据进行EMD分解,继而得到有限个具有本征模态函数(IMF)的分量;然后考虑到各分量间的相关性,使用多层GRU网络对IMF分量进行多输入多输出预测,同时引入注意力机制,深入挖掘历史负荷数据的时序相关性特征;最后对多层神经网络输出的有限个分量预测结果进行重构得到最终的负荷预测值.算例分析采用贵州电网某地实际负荷数据,经过与不同模型进行预测误差分析和对比,本文所提方法能够有效提高预测精度.     

PC三电平逆变器电解电容故障特征分析

针对目前NPC三电平逆变器电解电容故障特征难以提取的问题,提出变分模态分解与模态能量结合的故障特征提取方法。该方法通过采集NPC三电平逆变器输出端的电流信号,结合参考电流信号,求取电流的偏差信号。根据电流偏差信号频率分布的特点,用模态重复率对VMD的分解尺度进行参数寻优。利用VMD对电流偏差信号分解,得到具有中心频率的有限带宽的模态分量。根据模态分量的信息熵确定能表征电容故障的特征分量,进而计算特征分量的模态能量,构造特征向量,寻求特征变化规律,并对其进行分类。结果表明,此方法能够准确地反映出电解电容的工作状态。     

基于神经网络的光伏发电功率预测不良数据处理的研究

光伏发电系统历史发电功率数据的真实可靠是光伏发电系统发电功率预测的基础,而在光伏发电系统运行或数据采集、测量、传输、转换等环节出现故障时会导致历史数据中含有不良数据。本论文提出采用小波分析中的信号奇异点检测法对不良数据进行剔除,并采用神经网络的时间序列预测模型对剔除后的数据进行重构,从而达到检测并消除不良数据的目的,为光伏发电系统发电功率预测提供能反应其变化规律的真实历史信息。     

基于改进DDPG算法的中短期光伏发电功率预测

针对传统仿生智能算法处理异构光伏发电功率预测精确建模问题时存在的线路多阻抗参数约束下方差波动、线损分析易陷入局部极值等不足,提出了一种基于改进深度确定性策略梯度(DDPG)的中短期光伏发电功率预测模型。首先,通过引入多智能体机制,视发电系统涉及到的发电过程参数为独立活性的智能体,构建出具有社会属性的面向发电过程参数信息共享的全局最优协同控制体系。然后,通过改进的DDPG算法实现蓄电池储能功率自主精确调节和发电网输出功率的自动最优预测。最后,基于Tensorflow开源框架在Gym torcs环境下进行模型效能仿真并以某示范性异构光伏发电网为效能评价载体,对模型进行了工程应用合理性验证。     

An efficient GWO MPPT for a PV system using impedance information acceleration

This paper presents a novel maximum power point tracking (MPPT) method based on the grey wolf optimisation (GWO) technique for photovoltaic (PV) power generation systems. The proposed method utilises previous working duty cycles and their corresponding voltage and current data to compute the instantaneous DC impedance of a PV string. To determine the peak power characteristics of any PV string, the impedance variation of that PV string is used as an efficient shading factor. This shading factor simplifies the calculation of the GWO-MPPT algorithm to obtain multiple peak targets under partial shading conditions. Thus, the efficiency of the proposed power tracking technique can be improved considerably. The effectiveness of this method was validated through both simulation and hardware implementations. Results revealed that the search performance of five iterations of the proposed method was similar to that of ten iterations of a traditional GWO-MPPT method under normal conditions without shading. These results confirm the practicability of the proposed method in various applications.     

光伏发电系统并网的母线保护研究

针对光伏发电系统并网技术的特点,分析了系统并网后对配电网继电保护的影响,提出了通过利用母线保护物理对象的函数关系来构建光伏发电系统并网的交流母线保护的ANN模型的新方法。采用该方法解决了光伏发电系统并网造成交流母线保护误动作的问题。     

光伏发电系统最大功率点激光定位系统

传统光伏发电系统最大功率点定位精度较差,导致光伏发电系统的功率增益较差,为此提出基于激光点跟踪定位的光伏发电系统最大功率点激光定位方法。构建光伏发电系统的电路阻抗参数分析模型,通过滤波电感和滤波电容联合参数估计的方法,进行光伏发电系统最大功率控制和潮流逆流点跟踪控制,根据控制器参数和功率变化量跟踪定位进行功率突变诱发的激光点,采用激光点扫描方法进行光伏发电系统的受控源参数分析,建立光伏发电系统的端电压分析等效模型,通过光伏并网逆变稳态控制对光伏发电系统最大功率点进行控制,通过激光点定位方法,实现光伏发电系统最大功率点激光定位系统的优化设计。仿真结果表明,采用该方法进行光伏发电系统最大功率点激光定位的精度可达99.96%,功率突变引发的电路过渡过程得到优化控制,提高了光伏发电系统的稳定性和输出增益。     

基于云计算的电网预测模型与自适应调度研究

光伏发电系统被视为面向偏远地区与小型孤立社区供电的优秀解决方案,但也存在电力供应不稳定的问题。针对光伏发电的能源管理问题,提出一种基于云计算的智能电网管理方案,在对电力供需两端做出预测的基础上,确定最优的电量调度策略。该方案使用小波递归神经网络模型(Wavelet Recurrent Neural Network,WRNN),使得可以高效且准确地同时对电力供需两端进行预测。此外,云计算体系使得可以在基于大量数据的电力供需预测任务上进行快速和分布式的计算能力支持。     

Control strategies of energy storage limiting intermittent output of solar power generation: Planning and evaluation for participation in electricity market

Renewable energy generation cannot be consistently predicted or controlled. Therefore, it is currently not widely used in the electricity market, which requires dependable production. In this study, reliability- and variance-based controls of energy storage strategies are proposed to utilize renewable energy as a steady contributor to the electricity market. For reliability-based control, photovoltaic (PV) generation is assumed to be registered in the power generation plan. PV generation yields a reliable output using energy storage units to compensate for PV prediction errors. We also propose a runtime state-of-charge management method for sustainable operations. With variance-based controls, changes in rapid power generation are limited through ramp rate control. This study introduces new reliability and variance indices as indicators for evaluating these strategies. The reliability index quantifies the degree to which the actual generation realizes the plan, and the variance index quantifies the degree of power change. The two strategies are verified based on simulations and experiments. The reliability index improved by 3.1 times on average over 21 days at a real power plant.     

一种基于Boost电路的光伏最大功率跟踪方法

最大功率跟踪(MPPT)是太阳能光伏发电的重要组成部分,依靠最大功率跟踪可使光伏电池工作在最大功率点(MPP)附近,提高太阳能的利用率.在分析光伏电池的数学模型的基础上,选用Boost电路作为DC/DC变换来搭建仿真模型;针对传统的定步长扰动观测法存在的震荡和误判现象,提出一种改进的扰动观测法,并在Matlab/Simulink环境下进行了仿真.与定步长的扰动观测法的仿真结果进行对比,表明该算法的响应速度更加迅速;在外界环境发生变化时,该算法能够快速做出判断,准确地跟踪到光伏电池的最大功率点.     

基于VMD和DAIPSO-GPR解决容量再生现象的锂离子电池寿命预测研究

锂离子电池应用时表现出的时变、动态、非线性等特征,以及容量再生现象,导致传统模型对锂离子电池剩余使用寿命(RUL)预测的准确性低,该文将变分模态分解(VMD)和高斯过程回归(GPR)以及动态自适应免疫粒子群(DAIPSO)结合,建立RUL预测模型。首先利用等压降放电时间分析法,提取健康因子,利用VMD对其进行分解处理,挖掘数据内在信息,降低数据复杂度,并针对不同分量,利用不同协方差函数建立GPR预测模型,有效捕获了数据的长期下降趋势和短期再生波动。利用DAIPSO算法优化GPR模型,实现核函数超参数的优化,建立了更准确的退化关系模型,最终实现剩余使用寿命的准确预测,以及不确定性表征。最后利用NASA电池数据进行验证,离线预测结果表明所提方法具有较高预测精度和泛化适应能力。     

光伏并网逆变器最大功率点跟踪算法的研究

光伏并网发电系统是光伏发电系统的发展趋势,而最大功率点跟踪技术是提高光伏发电效率的主要技术。本文在分析和研究了3种常用最大功率点跟踪方法优缺点的基础上,提出了一种集这3种常用方法优点的新方法,即综合优化法。在太阳能光伏转换系统中,通过具体实验比较了较大步长的扰动观察法,恒电压法和导纳增量法,还有本文中提出的综合优化法,通过对改进算法的仿真,以及与其他算法的比较,说明了这种改进算法的正确性,验证了这种算法的可行性及优越性。