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。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法。通过分析光伏发电功率随天气类型、温度、光照强度等气象因素变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。     

基于IKFCM与多模态SSO优化SVR的光伏发电短期预测

为提高短期光伏发电功率预测精度和降低气候等因素对预测结果的影响,提出了一种基于IKFCM与多模态SSO优化SVR的光伏发电功率短期预测方案。首先采用改进的KFCM(Improved KFCM, IKFCM)聚类方法对训练样本集进行处理,通过引入紧致离散聚类有效性指数,在提高IKFCM聚类准确率的同时实现了自动划分训练样本集,有效降低了样本数据差异对预测性能的影响。然后构建与训练样本集分类一一对应的SVR预测模型,并采用多模态SSO优化(Multi-mode SSO, MSSO)算法对SVR模型参数进行优化,进而得到不同分类的最优SVR参数组合。最后,运用MSSO优化SVR模型对测试数据进行预测评估。仿真结果表明,该方案实现了不同天气下短期光伏发电功率准确预测,而且同其他预测算法相比预测精度提高了25.2%～37.8%。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络线理论,并根据光伏功率包络线参数进行聚类划分,将聚类后的数据作为输入,借鉴Stacking集成学习框架构造XGBoost+LightGBM+LSTM融合模型对光伏功率进行预测;将所提算法与气象因素聚类和功率区间聚类下的各预测算法进行实验对比;为了避免训练过程中模型超参数的影响,采用K折交叉验证对数据的训练集、验证集和测试集进行划分.仿真结果表明,所提算法较气象因素和功率区间聚类法能有效提高复杂天气情况下光伏功率预测精度,且多模融合效果总体优于单独算法模型.     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

基于改进支持向量机算法的光伏发电短期功率滚动预测

光伏发电具有明显的波动性与随机性,对其短期功率进行预测可以更准确地实现电网能量管理和运行调度。首先提出了一种基于粒子群优化支持向量机算法(PSO-SVM)的光伏发电短期功率滚动预测模型;通过寻找相似日,以相似日的实际功率和预测日的天气数据作为模型的输入量,对次日一天的发电功率进行预测;再以次日的实际输出功率与预测功率进行滚动对比,当预测点不满足给定预测精度时,以当日实测数据对后期预测点的功率进行修正预测。仿真算例表明所提光伏发电短期功率的滚动预测模型可以更精确地实现功率预测。     

空气质量监测数据驱动的光伏发电多尺度功率预测方法

近年来频繁出现的污染天气使光伏发电中太阳辐照度随空气质量出现较大变化,对光伏发电功率预测产生较大影响。对此,本文基于空气质量监测数据与气象数据,建立了气溶胶光学厚度（AOT）的光伏发电功率预测软测量模型,采用双波段大气辐射传输模型计算太阳辐照度,以日前与日内的空气质量预报信息为驱动数据,提出了一种多时间尺度的光伏发电功率预测方法,并基于此开发了光伏发电功率预测软件进行试验验证。结果表明,本文方法能够有效反映污染天气对辐照度的影响,实现对光伏发电功率的准确预测,该光伏发电功率预测软件具有较好的工程应用价值。     

改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。     

基于Copula理论的风/光出力预测误差分析方法的研究

准确预测风/光出力能够提高电力系统经济调度的可靠性。本文提出了一种新型的风/光出力预测误差分析方法,在基于点预测数据基础上,针对风电出力和光伏出力点预测精度不高的问题,采用Copula函数分别计算风电出力和光伏出力的实际值和预测值的联合概率分布,采用聚类的方法分别按天气类型和季度分析历史数据,分别对风电出力和光伏出力预测误差进行建模以提高预测精度,同时在各环境下考虑风电场和光伏电站的相关特性,使预测更加准确。以某风/光电站实际出力数据、天气、时间等为样本进行了实例研究,通过与传统预测方法进行对比验证了模型的精确性。     

光伏发电出力的条件预测误差概率分布估计方法

光伏发电出力的可预测性较低,相比点预测而言,光伏发电出力的概率性预测能够提供更多的信息,有利于电力系统的安全经济运行。提出了一种基于Copula理论的光伏发电出力的条件预测误差分布估计方法。采用Copula函数对光伏实际出力与点预测的联合概率分布进行建模,实现了任意点预测对应的光伏实际出力的条件概率分布的估计。针对天气状况,对光伏预测精度影响较大的实际情况,采用聚类的方法按天气类型将历史数据进行分类,针对每类天气类型的光伏预测误差分别进行建模以提高预测误差估计的准确度。以2014全球能源预测竞赛(GEFC 2014)中的光伏出力数据进行了实证分析,验证了所提出方法对光伏出力条件预测误差估计的有效性,结果表明提出的方法在校准性和锐度方面均优于常用的正态分布的预测误差估计方法。     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

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。     

一种光伏系统短期功率预测模型

为提高光伏系统发电功率预测精度,优化系统的发电计划,减少电力系统运行成本,进而为系统调度和实时运行控制提供依据以有效减轻光伏发电系统接入对电网的影响,建立一种基于三层神经网络和功率波动特性的短期光伏出力预测模型。利用气象局已发布的日类型和温度信息挑选与预测日最相关的相似日,基于神经网络用相似日历史太阳辐照、温度、输出功率建立光伏系统出力初步预测模型;以预测日天气预报信息作为神经网络的输入获得预测日的功率预测值;基于由光伏系统相似日历史出力数据统计分析得到的波动量统计规律对初步预测结果加以修正,建立了具有较高精度的光伏系统出力预测模型。仿真结果表明该方法建立的预测模型具有较高精度,能够为调度运行人员提供决策辅助。     

基于典型代表电站和改进SVM的区域光伏功率短期预测方法

准确的区域光伏功率预测作为解决光伏并网消纳和多能互补问题的技术之一受到越来越多的关注,提出一种基于典型代表电站和改进支持向量机(SVM)的区域光伏功率短期预测方法.通过K-means聚类将同一地区光伏电站划分到不同汇聚区,使用历史数据和3种数学相关系数计算得到各汇聚区典型代表电站,并通过4类光伏功率指标分析各典型代表电站与汇聚区的一致性,基于此,以改进SVM代替传统的滚动预报形成区域功率预测模型.实际算例分析表明,所提方法可提升区域光伏功率短期预测精度.     

基于机器学习的集群式风光一体短期功率预测技术

针对区域风、光电站群的功率预测,由于各站建站时间不同、单站预报精度残次不齐,导致传统的单站功率累加法预测精度和运行效率不高的问题,采用基于机器学习的二分K均值聚类算法分别对区域内的风电场和光伏电站群进行合理划分,结合区域内各电站历史功率数据及区域总历史功率数据的相关性,选取出各区域的代表电站。在对数值预报要素进行优化订正后,采用BP神经网络法建立基于风电场和光伏电站集群划分的短期功率预测框架模型。结果表明：采用该方法的集群式风电和光伏短期功率预测准确率高于或接近于传统单站累加的预测精度,且该方法在保证预测精度的同时,能够显著提高建模效率。     

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。