基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。     

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。     

基于混合灰色关联分析-广义回归神经网络的 光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。     

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。     

灰色动态BP神经网络在光伏短期出力预测中的应用

针对传统BP神经网络在光伏发电短期出力预测中的不足,提出并实现了一种基于灰色动态BP神经网络的光伏发电短期出力预测模型。通过灰色系统理论对BP神经网络因子集进行优化,同时对BP神经网络的隐含层节点数进行动态调节。将提出的模型应用于真实的光伏电站短期出力预测中,预测结果和实测结果吻合度较高,验证了模型的有效性。     

基于BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构建数据集,建立基于双向长短期记忆网络(BLSTM)与随机森林的短期光伏发电功率预测模型,并与其他模型的预测误差进行比较.仿真结果表明,提出的BLSTM-随机森林的短期光伏功率预测模型具有较高的预测精度.     

基于图机器学习的分布式光伏发电预测

文章基于图机器学习提出了一种面向分布式光伏电站的深度时空特征提取预测模型。首先,针对临近区域的光伏电站进行图建模,使用长短期记忆(long short-term memory,LSTM)模型进行时间特征抓取,使用图卷积原理对电站空间特征进行提取。根据提取的时空特征信息以及历史数据和临近其他区域内光伏电站历史发电数据,训练光伏发电预测模型。以国内某地266个光伏电站为实验对象,实验结果表明基于图机器学习的预测模型进行日前预测,预测误差率仅为5.66%,低于其他机器学习模型预测结果。该模型针对光伏电站15min前发电预测可以捕获当天瞬间出力变化曲线。     

一种考虑季节特性的光伏电站多模型功率预测方法

随着并网光伏发电容量的持续增加及多能源发电协同利用的需要,光伏发电功率的高精度预测对于提高规模化光伏发电的优化调度和安全运行日益重要。为了解决单一预测模型精度低的问题,提出了一种基于季节气象特征划分的光伏发电多模型预测方法。通过不同季节下光伏发电系统的电气特性和出力特性分析,说明了按照季节来划分功率预测多模型的必要性。以某光伏电站为例,利用BP神经网络建立不同季节的光伏发电预测模型,通过遗传算法优化了季节模型参数。利用实测数据对2种功率预测方法进行了比较,结果表明,该方法能有效提高光伏电站的功率预测精度。     

考虑混沌特征的增强型大脑情绪神经网络光伏发电功率超短期预测模型

为进一步提高光伏发电功率超短期预测的准确度,根据光伏功率时间序列固有的非线性混沌特征,提出一种基于改进粒子群优化(improvedparticleswarmoptimization,IPSO)算法和增强型大脑情绪神经网络(enhanced brain emotional neural network, EENN)的光伏发电功率超短期预测模型。首先,利用非线性变换将光伏功率序列的隐含信息特征投射至高维相空间,获得反映吸引子轨迹的新数据空间;随后,为提高模型的超短期预测能力,通过考虑系统在空间中连续吸引子轨迹的非线性几何特征,利用EENN模型建立高维空间中的数据映射关系,并采用IPSO算法实现对EENN模型中所有权值和阈值的迭代优化,以提高EENN模型的数据挖掘和预测能力;最后,基于实测光伏发电功率数据进行单步预测以实现对所提模型的有效验证。算例分析表明,所提预测模型具有比传统模型更好的预测效果,有效提高了光伏功率超短期预测的准确度。     

基于特征因素选取的IVMD-GLSSVM光伏出力短期预测

针对短期光伏发电功率预测输入特征数据冗余,抗干扰能力差,预测精度受限等问题,提出了基于特征因素选取的IVMD-GLSSVM短期光伏出力预测模型。首先利用GRA-KCC对影响特征因素进行分析,提取影响光伏发电功率的极相关特征因素,随后采用IVMD对光伏发电数据进行分解,降低数据非线性和波动性对预测精度的影响。然后将各模态分量分别输入GLSSVM预测模型进行预测,求得的各子序列预测结果叠加即为最终预测结果。最后在 MATLAB中对该预测模型及其他模型进行算例验证和误差分析,结果表明采用所提预测模型抗干扰能力强,预测精度高。