基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

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。     

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题，提出一种基于相似日聚类的光伏功率预测组合模型。首先，采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集，并利用变分模态分解（VMD）对相似日样本进行分解；其次，采用卷积神经网络优化支持向量机（CNN-SVM）和双向长短时记忆（Bi LSTM）神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合，利用网格搜索（GS）算法寻找最优组合权重，提升组合预测模型性能；最后，以澳大利亚某光伏电站1年实测数据为例，验证所提出光伏功率预测模型的有效性。实验结果表明：无论何种天气类型，所提出模型均能很好地对光伏功率实现预测，具有较强的适应性。     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

基于K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.     

基于GRA-EGA-LSTM模型的短期光伏功率预测

对光伏发电功率进行预测可为电力系统调度提供参考,有利于电网的安全稳定运行。为了提高光伏发电功率预测精度,采用灰色关联度分析法(Grey Relation Analysis, GRA)寻找待预测日的相似日作为训练样本;采用精英保留遗传算法(Elitist Model of Genetic Algorithm, EGA)对长短期记忆网络(Long Short-Term Memory, LSTM)的超参数进行寻优;将相似日的光伏功率和气象因素数据作为训练样本代入超参数寻优后的长短期记忆网络进行预测。通过仿真测试,基于GRA-EGA-LSTM组合预测模型的短期光伏功率预测精度要优于传统的LSTM模型。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集进行了降维处理,简化了预测模型结构.在此基础上将Attention机制与LSTM网络相结合作为预测模型.At-tention机制通过对LSTM的输入特征赋予了不同的权重,使得预测模型对长时间序列输入的处理更为有效.以某地光伏电站实测数据对文中所提模型进行训练和对比验证,所提出的预测模型能够更充分地利用历史数据,对长时间输入序列中的关键信息部分更为敏感,预测精度更高.     

基于VMD-DESN-MSGP模型的超短期光伏功率预测

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。     

基于加权扩展日特征矩阵的分布式光伏发电日前功率预测

分布式户用光伏发电系统的精确日前功率预测可为智能家庭优化运行提供依据,但历史数据量少和缺乏精确辐照预报数据的问题增大了预测难度。为此,将邻近多用户数据融合以扩充样本规模,提出一种考虑功率关联性和相关度权重的相似日搜索方法,并基于长短期记忆(LSTM)神经网络实现日前预测。分析光伏发电功率的影响因素及其内在相关性,基于天气类型统计数据划分日类型,并利用气象信息、相同日类型的历史功率信息和皮尔逊积矩相关系数构造加权扩展日特征矩阵。提取历史数据中与待预测日特征矩阵欧氏距离最小相似日的光伏功率,将其与关键气象特征共同输入LSTM神经网络模型进行预测。以北美丹佛市多个用户的实测数据验证了所提方法的有效性,该方法能够适用于历史数据受限的场景,且在多种天气类型下显著降低了预测误差。     

基于CNN-LSTM混合神经网络模型的短期负荷预测方法

为了更好地挖掘海量数据中蕴含的有效信息,提高短期负荷预测精度,针对负荷数据时序性和非线性的特点,提出了一种基于卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合模型短期负荷预测方法,将海量的历史负荷数据、气象数据、日期信息以及峰谷电价数据按时间滑动窗口构造连续特征图作为输入,先采用CNN提取特征向量,将特征向量以时序序列方式构造并作为LSTM网络输入数据,再采用LSTM网络进行短期负荷预测。使用所提方法对江苏省某地区电力负荷数据进行预测实验,实验结果表明,文中所提出的预测方法比传统负荷预测方法、随机森林模型负荷预测模型方法和标准LSTM网络负荷预测方法具有更高的预测精度。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

基于混合神经网络的光伏电量预测模型的研究

精确的光伏发电量预测对光伏发电系统的安全运行有重要的作用。然而,由于太阳能的不稳定性、间歇性和随机性,现有光伏发电量的短期预测模型存在预测误差大、泛化能力低等问题。因此,提出一种混合神经网络和注意力机制的分布式光伏电站电量短期预测模型(A-HNN)。利用残差长短期记忆网络与扩展因果卷积相结合提取数据的时间和空间特征,加入注意力机制增强特征选择,给出一种改进的混合神经网络模型。根据发电量数据时间序列本身的特性,选取以日为周期的时间序列数据。最后,通过实验与近期其他模型对比,结果表明在同等条件下此混合模型可以大幅提高光伏发电量预测的精度。     

基于相似日和动量法优化BP神经网络的光伏短期功率预测研究

提出了相似日和动量优化BP神经网络的光伏短期功率预测方法,采用与输出功率强相关的辐照度作为相似变量选取相似日,通过动量法优化并以相似日历史数据和气象信息作为训练样本建立BP神经网络预测模型。以新疆某光伏电站的实际运行数据进行验证分析,结果表明该方法在晴天和非晴天天气环境下能够达到预测精度,验证了所提模型和算法的准确性和有效性。     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

基于CNN-GRU的光伏电站电压轨迹预测

光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络（convolutional neural networks,CNN）和门控循环单元（gated recurrent unit,GRU）的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数（maximal information coefficient,MIC）,分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明：本文模型与GRU、长短期记忆网络（long short-term memory,LSTM）、CNN-LSTM、支持向量回归（support vector regression,SVR）等模型相比预测准确度更高。