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。     

基于径向神经网络的光伏发电功率预测方法研究

光伏发电输出功率具有明显的随机性和不确定性,大规模光伏并网会影响电网系统的安全、稳定运行。因此,对光伏发电功率输出进行短期的预测对光伏并网具有重要意义。以大数据分析Spearman秩相关系数为基础,分析得到光伏发电过程中各个影响因素与输出功率的秩相关度,并将相关度最高的影响因素作为预测系统变量输入,建立基于RBF神经网络的预测模型,对光伏发电的功率进行预测研究,通过变量和输出量的历史数据对RBF进行训练与预测。     

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。     

基于深度学习的光伏发电功率预测方法研究

近几年新能源技术不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,因此准确的功率预测对电网的稳定运行至关重要。随着人工智能的兴起,将深度学习网络技术与功率预测相结合,可得到高精度的预测结果。为此提出一种基于长短期记忆网络的深度学习方法,建立分时长短期记忆网络模型,从而实现了光伏发电功率的预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

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。     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

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。     

基于改进Apriori关联分析及MFOLSTM算法的短期负荷预测

电力负荷预测结果的准确性对电力系统安全稳定运行具有重要意义。针对多气象因素影响下的短期负荷预测任务,提出改进Apriori关联度分析及飞蛾火焰优化的长短时记忆神经网络算法的电力负荷短期预测新方法。首先,提出改进Apriori算法分析气象因素与负荷之间的关联程度。依据分析结果除去非必要气象影响因素,并在此基础上引入人体舒适度评价指标。其次,将降维后气象数据结合地区负荷数据作为模型输入。最后,基于长短时记忆神经网络进行短期负荷预测建模,并结合飞蛾火焰优化算法的全局寻优能力来优化模型。通过对某地区负荷数据协同气象数据进行对比预测试验,测试结果表明该负荷预测模型能有效提升地区电网短期负荷预测性能。     

基于相似日理论的光伏发电系统输出功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时间、气温等多种气象因素的影响,具有一定的时变性和随机性。对各种气象影响因素进行合理的选取和处理,由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,基于差异性和相关性原理,提出了选择光伏阵列输出功率相似日的方法,设计了基于相似日选取和BP神经网络的光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行了验证,结果表明模型有较好的预测精度,具有一定的实用性及可行性。     

基于LVQ-GA-BP神经网络光伏电站出力短期预测

为了实现对大规模并网型光伏电站调度,分析影响光伏出力的气象相关因素,以光照强度和温度作为输入量,分季节建立了一种基于LVQ-GA-BP神经网络预测系统。通过LVQ(Learning Vector Quantization)神经网络对样本进行分类,将分类后的样本训练,得出基于BP神经网络光伏电站出力预测系统,从而提高光伏预测精度。采用GA算法替代传统的学习算法优化BP神经网络的权值和阀值,提高预测网络的训练速度。将建立的LVQ-GA-BP预测系统与传统系统进行了比较和分析,结果表明:该方法的建立,不仅提高了光伏出力的预测精度,而且还提高了BP神经网络的训练速度,具有潜在的工程应用价值。     

气象数据弱相关的光伏出力短期预测

光伏出力受气象因素影响,气象数据的有效程度影响着预测结果的准确性。本文提出了气象数据与光伏出力弱相关时短期光伏出力的预测方法。首先采用Pearson关联系数分析法得到影响光伏发电的主要因素,而后采用模糊聚类理论构建相似日,建立了具有优秀小样本学习能力的支持向量回归机预测模型。针对该模型,提出了两阶段确定模型参数的方法,首先采用全局网格搜索确定核参数p和正则化参数C的取值范围,再通过自适应差分进化算法寻找最优核参数p和正则化参数C,以提高参数ε选取范围设置较大时的预测精度。实例测试表明,使用本文提出的SVR方法预测的平均RMSE为5.551%,满足预测要求,比常规BP预测方法提高精度1.238%,在气象数据弱相关时对光伏短期出力有更好的预测能力。     

基于GRU-NN模型的短期负荷预测方法

目前基于统计分析和机器学习的预测方法难以同时兼顾负荷数据的时序性和非线性特点。文中提出了一种基于GRU-NN模型的短期电力负荷预测方法。该方法基于深度学习思想处理不同类型的负荷影响因素,引入门控循环单元(GRU)网络处理具有时序性特点的历史负荷序列,建模学习负荷数据内部动态变化规律,其输出结果与其他外部影响因素(天气、日类型等)融合为新的输入特征,使用深度神经网络进行处理,整体分析特征与负荷变化的内在联系,最后完成负荷预测。以美国某公共事业部门提供的公开数据集和中国某地区的负荷数据作为实际算例,该方法预测精度分别达到了97.30%和97.12%,并与长短期记忆神经网络、多层感知机以及GRU神经网络方法进行对比,实验结果表明所提方法具有更高的预测精度和更快的预测速度。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

基于CAPSO-RNN的光伏系统短期发电量预测

针对光伏系统的发电特性及影响光伏发电的因素,建立基于混沌自适应粒子群优化算法的反馈型神经网络短期发电量预测模型。该预测模型利用混沌自适应粒子群优化算法的全局优化能力初始化反馈性神经网络权值和阈值,可以克服反馈型神经网络收敛速度慢俄且易陷于局部最优等缺点。同时为提高预测精度,采用隶属度函数对温度进行模糊化处理。预测结果表明,建立的预测模型具有较高的精度。     

适用于小样本的神经网络光伏预测方法

基于神经网络的短期光伏预测方法通常需要大量训练样本,对于新投运的光伏电站,历史运行数据的不足使得常规短期光伏预测方法难以应用。针对该问题,提出一种适用于小样本的双层神经网络单步光伏预测方法。根据光伏发电各环节影响因素的解耦特性,将常规单层神经网络拆分为双层网络,使每层网络具有简化的结构;用单步预测代替多步预测,降低神经网络的输入输出维数;基于统计分析,将天气影响因素有效整合到预测模型中,简化输入输出之间的映射关系。使用实际数据对所提光伏预测模型进行训练和验证,结果表明,所提方法可有效减少对训练样本数量的需求,同时保证预测的准确度。