基于EMD-PCA-LSTM的光伏功率预测模型

提高光伏发电功率预测精度,对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解(EMD)、主成分分析(PCA)和长短期记忆神经网络(LSTM)相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素,首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素序列的非平稳性;其次利用PCA提取特征序列的关键影响因子,消除原始序列的相关性和冗余性,降低模型输入的维度;最终利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。采用山西省某电站的8个月实测数据进行验证,实验结果表明,该预测模型较传统光伏功率预测方法有更高的精确度。     

基于KPCA与混合蛙跳算法的并网光伏电站发电量预测模型研究

文章提出一种混合蛙跳算法和核主成分分析的光伏发电功率综合预测方法,以日期、时刻、历史天气预报中的云层状况和温度为输入量,以光伏发电系统历史发电数据和历史天气预报数据为基础,用核主成分分析对输入量降维,提取主要输入成分,与光伏发电功率输出共同构成历史数据库,对历史数据进行训练,建立光伏发电功率的综合预测模型,利用相对均方根误差对模型进行评估。结果表明,文章提出的方法建模速度快,模型预测精度较高。     

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XGB...     

基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测

针对高分辨率气象数据匮乏影响光伏功率预测准确性的问题，提出一种融合气候相似性与奇异谱分析（SSA）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的高分辨率光伏功率组合预测模型。运用SSA分解光伏序列为不同子序列，建立CNN-LSTM日前预测模型以捕捉光伏出力的连续性特征；利用气候相似性通过低分辨率气象数据选取相似日实现高分辨率光伏出力预测；通过灰色关联分析动态组合权重得到最终预测结果。仿真结果表明，该组合预测模型可有效提高日前高分辨率光伏功率预测的准确性，具有较高的预测精度。     

基于STL Former的中短期光伏功率预测

由于光伏发电具有间歇性和波动性,给电网运行的安全性和稳定性造成危害,对光伏功率进行准确预测可以有效解决这一问题。本文提出一种基于STL Former的中短期光伏功率预测模型,该模型结合了季节趋势局部加权回归分解（STL分解）与神经网络模型。首先,STL Former模型将光伏功率数据通过STL分解进行特征扩充,用于提取基于历史序列的周期项、趋势项特征。然后,拼接周期项、趋势项特征和原特征,进行数据预处理和特征编码并使用基于Informer模型的神经网络进行功率预测。最后,在真实数据集上进行大量实验。实验结果表明：STL Former在中短期光伏功率预测任务中精度较高,其中在2 h光伏功率预测任务时,平均绝对值误差为0.176、均方误差为0.180;在28 h光伏功率预测任务时,平均绝对值误差为0.170、均方误差为0.154。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。     

基于DsRNN和多源气象数据的光伏发电功率短期预测

针对传统循环神经网络(RNN)长时间使用会存在梯度爆炸以及在处理长时间序列时容易忽略重要时序信息的不足,本文提出一种结合注意力机制(Attention)的双重选择循环神经网络(Double selection Recurrent Neural Network, DsRNN),面向短期光伏发电功率预测的模型。首先,引入气象影响因子数据并根据相关性大小进行修正处理,改变原有单一输入源建立新的数据集;然后,融合注意力机制,提取光伏发电功率的时序特征,挖掘数据之间的深层联系;最终,实现对分布式光伏发电进行较有效、精准的短期功率预测。仿真结果表明：气象数据的输入以及DsRNN光伏发电功率预测模型的使用能完成较高精度的预测任务,误差更小。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于SSA和K均值的TD-BP神经网络超短期光伏功率预测

针对光伏功率预测精度不高的特点,提出一种融合了奇异谱分析、K均值聚类法、时延特性和BP神经网络的光伏功率预测模型。利用相似日理论选取各天气类型训练样本,通过奇异谱分析的分解及重构,提取出蕴含在时间序列中的趋势及准周期成分,利用K均值聚类法将重构后的各天气样本聚类分析为K类。每类以温度、风速、天气类型和历史功率作为样本属性,并通过延时器处理,形成具有时延特性的样本集,作为BP神经网络的输入,构建出基于SSA和K均值的TD-BP神经网络光伏功率预测模型。结果表明,该模型对于光伏功率有较精准的预测,具有一定的可行性及实用性。     

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。     

基于多特征融合和XGBoost-LightGBM-ConvLSTM的短期光伏发电量预测

针对光伏发电量研究中传统单一模型预测误差大、特征数据少、深层神经网络模型出现梯度爆炸或消失的问题,该文提出一种基于多特征融合和XGBoost-LightGBM-ConvLSTM(XG-LG-CL)的短期光伏发电量预测模型。首先,分析影响光伏发电的相关因素,采用光伏领域特征融合和高阶特征融合方法将原有11个有效特征增加至62个有效特征;其次,分别建立XGBoost、LightGBM和ConvLSTM模型提取时空特征;最后,利用自适应权重法混合3种模型进行发电量预测。结果表明,该模型在光伏发电实测数据实验中,预测准确率为88.4%,与现有预测方法相比提升了3.1～8.6个百分点,可精确地预测光伏发电量,为电网稳定运行提供有效数据支撑。     

动态组合深度学习模型在短期负荷及光伏功率预测中的应用

人工智能的快速发展为预测问题提出了崭新的解决途径。文章在深入分析深度学习算法发展的基础上,建立了基于深度学习模型动态组合的短期负荷及光伏功率预测模型,在该模型中使用两种深度学习算法(长短记忆网络和深度置信网络)分别对输入数据进行训练,并使用线性模型对各个深度学习的训练结果进行动态结合,而后输出最终的预测结果。此外,文章使用广州的光伏功率数据与短期负荷数据对模拟结果的准确性进行验证。分析结果表明,文章所建立的预测模型具有良好的预测精度。     

基于深度学习模型的新能源电站一体化短期功率预测

为了解决风力发电和光伏发电随机性、波动性、间歇性造成的新能源功率预测建模和精度不高问题,基于深度学习模型变分自动编码器(Variational Auto-Encoder, VAE)在时间序列建模和非线性逼近特征提取方面的优异性能,开展新能源电站VAE模型功率短期预测研究,并与循环神经网络(RNN)、长短期记忆(LSTM)深度学习方法和支持向量回归(SVR)机器学习方法的预测结果进行了对比。光伏电站和风电场独立功率预测结果表明,深度学习模型较基线机器学习模型预测性能更好,基于VAE的预测方法能够学习更高级别的特征,其预测性能表现更佳,光伏功率预测模型的RMSE、MAE和R²值分别为1.593、1.098和0.973;风光一体化功率预测结果表明,VAE和RNN模型能够提高功率预测准确性,其一体化功率预测模型的R²值分别为0.96和0.97。     

基于MEEMD-QUATRE-BILSTM的短期光伏出力区间预测

提出一种基于改进集成经验模态分解（MEEMD）和拟仿射变换（QUATRE）优化双向长短期记忆神经网络（BILSTM）的光伏出力区间预测模型。通过主成分分析法（PCA）对时间序列进行降维处理，利用K-均值算法将降维数据分成3种类型气象数据；然后采用MEEMD对每类光伏出力序列进行分解，将其输入QUATRE优化BILSTM神经网络和核密度估计算法（KDE）联合构建的短期光伏出力区间预测模型。最后基于宁夏光伏电站实例仿真评估模型区间预测性能，实验结果表明该模型可生成高水平光伏预测区间，能够为电力系统经济稳定运行提供可靠的决策保障。     

基于多气象要素降维及改进型变分模态分解算法的光伏发电功率预测模型研究北大核心CSCD

为了精准预测光伏发电输出功率,文章提出了一种基于多气象要素降维、优化后的变分模态分解(OVMD)技术、自适应t分布的麻雀搜索算法(t SSA)和最小二乘法向量机(LSSVM)的光伏发电输出功率预测模型。利用OVMD技术对输入光伏时间序列数据进行分解处理,引入t SSA对利用各模态分量建立的LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏功率预测模型,并使用了中国东南沿海某地区3 a的气象数据和实时的光伏输出功率数据进行模型性能验证,通过与SVM,LSSVM,VMD-LSSVM和VMDSSA-LSSVM 4种模型的预测性能对比,OVMD-t SSA-LSSVM模型的预测精度和拟合效果均最优。实验数据表明,该模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别小于3%和0.35,决定系数(R-Square)超过了97%。最后,通过光伏气象要素降维处理,进一步提升了OVMD-t SSA-LSSVM模型性能。     

基于ＤｓＲＮＮ 和多源气象数据的光伏发电功率短期预测

针对传统循环神经网络（RNN）长时间使用会存在梯度爆炸以及在处理长时间序列时容易忽略重要时序信息的不足,本文提出一种结合注意力机制（Attention）的双重选择循环神经网络（Double selection Recurrent Neural Network,DsRNN）,面向短期光伏发电功率预测的模型。首先,引入气象影响因子数据并根据相关性大小进行修正处理,改变原有单一输入源建立新的数据集;然后,融合注意力机制,提取光伏发电功率的时序特征,挖掘数据之间的深层联系;最终,实现对分布式光伏发电进行较有效、精准的短期功率预测。仿真结果表明：气象数据的输入以及DsRNN光伏发电功率预测模型的使用能完成较高精度的预测任务,误差更小。     

基于改进麻雀搜索算法的光伏功率短期预测

为提高光伏输出功率预测精度、保证电网的优化调度和稳定运行，提出一种改进麻雀搜索算法（SSA）的光伏输出功率预测模型。首先，对实验平台收集到的历史数据进行分析，得到关键气候影响因素；然后，用经验模态分解和主成分分析法对数据进行维稳和降维处理；并建立改进麻雀搜索算法的BP神经网络预测模型；最后，进行实例验证。结果表明，该预测模型在敛散精度方面有所提升。     

基于数字孪生和改进LSTM的光伏发电预测技术

为提高光伏发电功率预测的精度和时效性,降低电网调度的安全隐患,提出了一种基于数字孪生模型、联合神经网络以及融合预测模型的光伏发电功率预测技术。该技术以针对常态预测的CNN LSTM网络和针对超短期预测的集成学习融合预测模型为核心,以光伏发电系统的数字孪生模型为基础框架,以某光伏电站的实测数据为基础进行了分析,实现了实时的多模式光伏发电功率精确预测。结果表明：改进的CNN LSTM联合网络模型能够实现较高预测精度,相比于现有的主流预测算法精度提高了约36%~58%;针对超短期的发电功率预测这一难点,集成学习融合框架可以进一步将预测精度提高25%左右。