基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。     

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。     

基于结合混沌纵横交叉的PSO-DBN的短期光伏功率预测

为了提高短期光伏发电预测的准确性,文中采用深度置信网络(DBN)建立了各模型函数的预测模型。通过分析各模型函数的特征,建立了光伏发电模型的功率预测。传统的基于神经网络的功率预测难以训练多层网络,影响其预测精度。DBN采用无监督贪婪逐层训练算法构建了一个在回归预测分析中具有优异性能的多隐层网络结构,已成为深度学习领域的研究热点。DBN连接权重采用结合混沌纵横交叉的粒子群优化算法(CC-PSO)优化,避免出现由随机初始化导致的局部最优解现象,从而提高了DBN网络预测性能。最后,案例测试显示了所提出模型的有效性。     

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。     

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。     

基于数字孪生的光伏发电功率超短期预测

光伏发电功率超短期预测对减小光伏并网对电网冲击及维持电网安全运行具有重要意义。提出一种基于数字孪生的光伏发电功率超短期预测机制,通过构建数字孪生体进行实时、高精度的光伏功率预测。首先根据GA-BP神经网络(geneticalgorithm-backpropagationneuralnetwork)构建光伏发电功率预测虚拟模型,并通过多维度的传感器采集光伏电池以及周围环境的各项孪生数据,同时更新历史数据库。然后以采集到的孪生数据为基础进行功率预测并得到初步预测结果。最后通过相似气象搜索,得到相似情况下的实际功率值和当时的预测功率,进而修正初步预测结果,得到最终预测功率。仿真算例结果表明,所提方法能有效提高光伏发电输出功率超短期预测精度。     

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VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测

准确预测光伏发电功率对电网调度具有十分重要的意义.该文提出一种基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测方法.首先,利用灰色关联分析对某地区多光伏电站进行空间相关性分析,选取与待预测光伏电站高度相关的周边电站;然后,基于GeoMAN模型动态提取待预测光伏电站的时空特征和外部气象因素,GeoMAN模型采用编解码结构,利用编码器动态提取待预测光伏电站的站内特征和与周边相关电站的站间空间特征,利用解码器提取输入变量的时间特性,并融合晴空指数和数值天气预报动态输出光伏发电预测功率;最后,采用实际光伏电站进行案例分析,结果表明该文所提出的预测方法与传统LSTM模型相比,实现了更高精度的光伏发电功率短期预测.     

基于深度结构多任务学习的园区型综合能源系统多元负荷预测

为进一步减轻环境压力,提高能源利用效率,综合能源系统已经成为了能源转型过程中一种重要的能源利用方式,电、热、气系统之间的联系更加的紧密。精确的能源需求预测将成为综合能源系统经济调度和优化运行中重要的一环。提出了基于深度结构多任务学习的短期电、热、气负荷联合预测方法。首先介绍了底层深度置信网络和顶层多任务回归的深度模型结构,其中深度置信网络作为无监督学习方法提取了抽象高级特征,多任务回归层作为有监督学习方法输出预测结果;其次建立含离线训练和在线预测的多元负荷预测系统,分析天气信息、历史信息、日历信息及经济数据的输入属性,提出验证模型预测精度的指标;最后,采用某综合能源系统的实际数据对算法的有效性进行了验证,结果显示深度学习和多任务学习在能源需求预测方面有较好的应用效果。     

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。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

基于机器学习的短期电力负荷预测方法研究

针对短期电力负荷数据具有明显周期性的特点,将基于机器学习引入到短期电力负荷预测领域,提出一种基于岭回归估计的RBF神经网络短期电力负荷预测方法,该方法利用机器学习算法RBF在非线性拟合方面的优势,结合岭回归对RBF神经网络输出层权值进行参数估计,有效消除输入多重共线性问题,采用广义交叉验证法对构建的模型进行评估,寻找最优岭参数,提高了电力负荷预测精度。通过实际负荷预测案例,与传统BP神经网络负荷预测方法进行比对,验证了提出的电力负荷预测方法较传统方法具有较好的稳定性和较高的预测精度,为电力负荷预测提供了新思路。     

改进的并行模糊核聚类算法在电力负荷预测的应用

用户用电典型模式的分类预测是电力负荷预测的重要组成部分。针对单核模糊C均值算法在电力大数据挖掘中不能兼顾预测精度和普适性能好的问题,提出了一种电力短期负荷场景中改进的无监督学习多核模糊C均值聚类算法,建立了双层神经网络的电力数据负荷预测模型对比该改进的算法对电力负荷预测效果的影响。用户数据由MapReduce并行化处理加速。数值实验结果表明:改进的算法在实际电力用户数据集中,具有广泛的适用性和有效性,同时能显著提高电力短期负荷预测的精度。     

基于深度信念网络的短期负荷预测方法

电力系统信息化的发展及配电网中分布式电源和电动汽车的大量接入,增加了用电模式的复杂性,对负荷预测的精确度和稳定性提出了更高的要求。提出了一种基于深度信念网络的短期负荷预测方法。该方法包括深度信念网络的构建、模型参数的逐层预训练和微调,以及模型的应用等步骤。在模型参数预训练过程中,采用高斯—伯努利受限玻尔兹曼机(GB-RBM)作为堆叠组成深度信念网络的第1个模块,使其能够更有效地处理对负荷有影响的多类型实值输入数据;并采用无监督训练和有监督训练相结合的部分有监督训练算法进行预训练;利用列文伯格—马夸尔特(LM)优化算法微调预训练阶段得到的网络参数,使其更快收敛于最优解。最后,以实际负荷数据进行算例分析,结果表明,在训练样本较大且负荷影响因素复杂的情况下,所提方法具有更高的预测精度。     

基于改进Q学习算法和组合模型的超短期电力负荷预测

单一模型在进行超短期负荷预测时会因负荷波动而导致预测精度变差,针对此问题,提出一种基于深度学习算法的组合预测模型｡首先,采用变分模态分解对原始负荷序列进行分解,得到一系列的子序列。其次,分别采用双向长短期记忆网络和优化后的深度极限学习机对每个子序列进行预测。然后,利用改进Q学习算法对双向长短期记忆网络的预测结果和深度极限学习机的预测结果进行加权组合,得到每个子序列的预测结果。最后,将各个子序列的预测结果进行求和,得到最终的负荷预测结果。以某地真实负荷数据进行预测实验,结果表明所提预测模型较其他模型在超短期负荷预测中表现更佳,预测精度达到98%以上。     

基于深度脊波神经网络的电力系统短期负荷预测模型

针对电力系统负荷的非线性预测问题,本文构造了一种基于深度脊波神经网络的电力系统短期负荷预测模型。该模型的隐含层采用脊波神经元,神经元的激励函数采用脊波变换函数。对该预测模型采用受限的玻尔兹曼机学习原理进行预训练,最后利用粒子群优化算法对其进行深度优化精调。通过对某地区实际电网负荷系统进行仿真预测,结果表明,与传统的BP神经网络、脊波神经网络和常规深度神经网络模型相对比,深度脊波神经网络预测模型的日平均绝对误差百分比分别降低了1.96%、1.12%和0.3%,日最大绝对误差分别降低了3.91%、2.19%和1.78%,验证了深度脊波神经网络预测模型具有较好的预测准确度和稳定性。     

基于深度森林算法的电力系统短期负荷预测

为了提高电力系统短期负荷预测的精确度,解决目前基于机器学习算法的负荷预测需要人为凭经验对超参数进行大量设置和调整的问题,该文将深度森林算法引入了电力系统短期负荷预测领域。深度森林算法包含多粒度扫描阶段和级联森林阶段,具有表征学习的能力。与深度神经网络相比,深度森林算法能够进行高效并行训练,无须大量人为设置和调整超参数。该文选取了某地区实际电力负荷值以及气象因素数据,分别利用了前21天和前40天的数据对深度森林算法进行训练,并将其负荷预测结果与智能算法和传统分类算法的负荷预测结果进行了对比分析。试验结果表明深度森林算法具有高效的电力系统短期负荷预测的能力。