基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类，但点值预测方法难以适应光伏功率的随机性和波动性，因此，该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先，通过灰色关联度筛选出不同环境条件的相似日样本集，并利用EEMD将光伏出力序列分解成不同的本征模态函数；然后，利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化，并利用分位数回归法对光伏的输出功率进行短期区间预测；最后，通过算例数据验证所建立模型的有效性。     

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测

由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数（PCC）、K-均值算法（K-means）、变分模态分解（VMD）、麻雀搜索算法（SSA）、核函数极限学习机（KELM）的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。     

基于SOM聚类和二次分解的BiGRU超短伏功率预测

提出一种基于自组织映射网络（SOM）聚类和二次分解的双向门限循环网络（BiGRU）超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型。首先,基于偏最小二乘（PLS）提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型。使用某地区光伏电厂运行数据验证,结果证明,所提XGBoost联合模型预测精度更高,泛化能力更强,并且对噪声数据具有较强的抵抗能力。     

基于PCA-GA-ELM的光伏发电功率预测研究

针对目前光伏发电功率预测方法所存在的预测精度较低和不同天气类型适应性较弱的问题,提出一种利用主成分分析(PCA)和遗传算法(GA)改进极限学习机(ELM)的光伏发电功率预测模型(PCA-GA-ELM预测模型)。该模型的计算过程:首先,基于季节因素和天气类型等气象因素对于光伏发电系统的影响,在不同季节下建立了不同的子模型,并利用灰色关联分析法选取同种天气类型下的相似日;然后,利用PCA将多个原始输入变量降维成少数彼此独立的变量;最后,利用GA对ELM的初始权值和阈值进行寻优。此外,文章利用光伏电站的实际发电功率数据对预测模型进行验证。分析结果表明,PCA-GA-ELM预测模型具有较高的预测精度和较强的泛化能力。     

基于改进VMD-BPNN的光伏功率预测

针对光伏发电预测模型准确率低的问题，构建了基于变分模态分解-反向传播神经网络(VMD-BPNN)的光伏功率预测模型。对光伏发电数据进行变分模态分解得到不同特征数据，解决了数据的随机性和波动性问题。再采用K-means聚类方法对不同特征数据进行聚类，提高模型的泛化能力。通过集成学习bagging的方法对BPNN进行增强，以达到提高光伏功率预测模型整体稳定性的目的。根据RMSE和NRMSE误差标准进行测试，测试结果表明，基于VMD-BPNN预测模型的NRMSE平均值2.77%,RMSE平均值为2.22%。     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。     

基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法研究

短期分布式光伏发电功率预测对配电网调度计划的安排及优化具有重要意义。人工智能技术的进步为精细化分析光伏发电功率预测结果的影响因素以及提高光伏发电功率的预测精度提供了有效途径。文章提出一种基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法。首先,基于随机森林中的增益情况,对影响分布式光伏发电系统的各项特征参数进行筛选;然后,通过自适应神经模糊推理算法对输入数据进行训练,并使用粒子群算法对ANFIS模型进行优化;接着,建立基于离线训练和在线预测的ANFIS-PSO分布式光伏发电功率预测模型;最后,利用北京某地分布式光伏发电系统的实际数据来验证模拟结果的准确性。     

基于PSO-BP神经网络的短期光伏系统发电预测

对光伏发电影响因素进行了分析,建立了粒子群算法优化的前向神经网络光伏系统发电预测模型。该模型利用了粒子群算法来优化神经网络内部连接权值和阈值,兼具粒子群和BP神经模型的优点,具有较好的收敛速度,泛化性能与预测精度。将光伏电站发电历史数据与天气情况作为样本,运用所建立的模型进行了训练与预测。结果表明,经过粒子群优化的BP网络模型预测精度高于典型BP网络,验证了该方法的有效性。     

基于逐步聚类分析的短期光伏发电预测方法

光伏发电功率与气象因素密切相关，可靠的功率预测对光伏入网和电网安全运行具有重要意义。为提高光伏短期发电功率预测的准确率，基于某40 MW光伏电站历史功率和气象数据，在不同季节和天气类型下利用逐步聚类分析方法(SCA)搭建光伏短期预测模型，实现分季节和天气类型的光伏功率预测。模型对比结果表明：逐步聚类分析方法具有较高的预测精度，在四季、单一天气类型和复合天气类型3方面预测精度分别提高了11.13%,9.51%和8.26%。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于波动特性挖掘的短期光伏功率预测

综合考虑光伏功率受气象因素影响所呈现出的规律性和波动性,对光伏功率波动类型进行划分与聚类识别提出一种基于波动特性挖掘的短期光伏功率预测方法,。在此基础上,利用数值天气预报和基于互信息熵的相关性分析法提取各类功率波动对应的天气波动特征及其强相关气象因子,建立基于波动特性挖掘的长短期记忆网络组合预测模型,挖掘天气波动与光伏功率波动之间的潜在映射规律。最后,识别出待测日天气波动类型与预测模型之间的匹配关系,利用组合预测模型实现光伏功率预测。通过对中国西北地区某光伏电站的预测分析,验证了所提预测方法的有效性。     

基于CA-SE-GA-BP的光伏发电功率预测

针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。     

计及风光不确定性的新能源虚拟电厂多时间尺度优化调度

针对中国西北地区新能源消纳问题,该文聚合风力发电、光伏发电、光热电站、电储能装置组成虚拟电厂（VPP）,提出一种基于鲁棒随机优化理论的新能源虚拟电厂多时间尺度优化调度策略。首先对风力发电、光伏发电、光热电站与电储能装置进行数学描述,在此基础上建立VPP多时间尺度优化调度模型。在日前调度层中,以VPP运行效益最大为目标,依据风光日前预测出力建立日前优化调度模型;在时前调度层中,以VPP运行成本最小为目标,根据风光时前预测出力建立时前调度修正模型。同时,为了衡量风电、光伏发电出力不确定性对系统的运行影响,建立VPP随机优化调度模型。仿真结果验证该模型可提高运行效益与新能源消纳能力。     

含分布式电源的配电网动态无功补偿优化策略研究

兼顾分布式电源（DG）出力和负荷动态变化提出一种基于需求侧响应的配电网动态无功优化策略。该策略采用灰色关联度映射方法划分时段,在同一时段内协同优化不同类型变量,然后固定多个时段内并联电容器组（SCB）和有载调压变压器（OLTC）的状态,进行二次静态无功优化校正。针对模型特征,对不同类型变量采用混合协同进化算法进行求解,并提出基于Tent混沌映射和Levy飞行策略的改进麻雀算法提高协同求解效率。仿真结果表明：计及新能源出力变化和需求侧响应的所提策略能在降低求解规模的同时获取较高满意度的无功优化结果,且该混合协同进化算法在求解混合整数的非凸、非线性优化问题上具有一定优势。     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。