基于多模型长短时记忆神经网络的电力负荷预测方法研究

提出了一种基于多模型长短时记忆神经网络(LSTM)的电力负荷预测方法,该方法通过对历史电力负荷日曲线进行密度聚类,根据聚类结果以及历史日期的特征因素训练高斯朴素贝叶斯分类器,进而分类训练神经网络预测的输入,采用长短时记忆神经的深层网络对所述历史时刻的电力负荷数据和日期特征因素进行训练建模,以训练生成深度神经网络负荷预测模型。通过算例仿真,发现该方法相比于典型方法,能够精确预测出对应日期的用电负荷,提升预测效果,同时缩短网络训练时间,提升程序运行速度。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。     

太阳辐射对大型渔光互补光伏电站发电效益影响分析

以江苏宝应生态渔业光伏发电"领跑者"示范基地为研究对象,定量分析了不同辐射指标对渔光互补光伏发电效益的影响机制.结果表明:太阳辐射对渔光互补光伏电站发电效益有着显著影响,且存在季节性波动,在夏秋季日并网峰值及发电量较大,稳定性较高,而冬春季发电效益和稳定性较差;太阳辐射指标与日并网功率最大值相关性较高,且呈明显对数关系,而日发电量与太阳辐射指标呈明显线性关系;不同月份并网功率最大值和发电量与平均辐照度、最大辐照度和累计辐照量均呈正相关关系,影响月并网功率峰值最为明显的是最大辐照度,而影响月发电量最为明显的指标是有效利用小时数.通过研究发现,在该地区开展光伏发电功率预测和前期太阳能资源开发利用评估时,可采用平均辐照度、最大辐照度、日累计辐照量3个指标作为参考指标.