基于深度学习的超短期光伏精细化预测模型研究

光伏发电系统的超短期功率预测对电网调度的计划安排及光伏发电系统的优化运行具有重要意义。机器学习、人工智能领域的技术进步为精细化分析光伏功率预测影响因素并提高光伏预测精度提供了有效途径。提出一种基于深度结构网络模型的光伏超短期功率预测方法,首先根据光伏发电系统的机理特征,分析深度学习算法处理光伏预测问题的可行性;然后提出基于深度学习算法的光伏功率预测模型,采用基于受限玻尔兹曼机的深度置信网络提取深层特征完成无监督学习过程,采用有监督BP神经网络作为常规拟合层获得预测结果;并立足于实际需求,建立含离线训练和在线预测的双阶段光伏发电预测系统,分析天气信息及历史信息的输入属性;最后利用光伏发电系统的实际运行数据进行仿真,验证算法准确性和有效性,通过比较深度结构是否包含无监督学习过程,说明其在预测中的重要性。     

基于神经网络的光伏系统发电功率预测

分析光伏系统的发电特性以及影响光伏发电的因素,建立基于神经网络的光伏发电功率预测模型.该模型采用三层BP(反向传播)神经网络结构,利用其强大的非线性映射和泛化能力,按季节建立4个预测子模型,子模型中将相同日类型的光伏发电功率的历史数据和天气情况一同作为样本,对模型进行训练和发电功率预测.结果表明,该方法建立的预测模型具有较高的精度,为解决光伏系统发电功率预测提供了一种可行路径.     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

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。     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

基于K-means++和混合深度学习的光伏功率预测

光伏发电输出具有较强的波动性,影响电力系统的调度管理.对此,本文提出一种基于K-means++和混合卷积神经网络(CNN)与长短期记忆(LSTM)网络的光伏功率预测模型.首先,利用K-means++对历史数据集进行分类,选取合适的数据集作为训练集;其次,搭建以历史功率为输入的LSTM模型获得待修正预测功率值,采用卷积神经网络挖掘气象参数与光伏功率的非线性关系,获取修正系数,对待修正预测功率值进行修正,提高预测精度;最后,在点预测模型的基础上,给予输入参数一定的随机波动,进行多次预测,获取预测误差集,进而获得预测区间.通过澳大利亚沙漠太阳能研究中心光伏电站数据集,选择LSTM、CNN-LSTM及K-LSTM算法进行对比,验证了本文方法具有较高的预测精度和稳定性,且能实现准确的输出功率区间预测.     

基于特征构造和改进PSO算法的分布式光伏功率预测

分布式光伏由于其历史数据缺乏,光伏出力的预测精度不高,提出改进粒子群优化算法(PSO)+长短时记忆网络(LSTM)与注意力机制结合的神经网络模型。构造基于聚类算法的特征工程扩充数据集;给出局部最优判据改进粒子群算法并应用于模型的超参数优化,提升模型泛化性;采用注意力机制与LSTM相结合的架构进行短期功率预测。在澳大利亚公开数据集上的实验表明,新的特征工程与光伏出力具有相关性,预测精度相比传统LSTM模型精度提高17.4%,且改进PSO算法相比标准算法收敛性更好。     

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。     

基于周期信息增强的Informer光伏发电功率预测

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。     

基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。     

基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于“弃光”现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。首先介绍XGBoost算法的基本原理,并引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;并分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K 折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分;训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择其他两种预测方法SVM和LSTM,实验结果表明XGBoost算法在预测光伏发电中的有较高的准确性和实用性。     

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。     

基于联合模型的短期电力负荷预测方法

为了准确预测电力负荷并提高电力系统调节和调度的灵活性、准确性,提出了基于差分自回归滑动平均和长短期记忆神经网络的短期负荷联合模型预测方法,以避免单一预测模型可能难以满足预测准确需求的情况。首先,使用差分自回归滑动平均和长短期记忆神经网络单一模型对短期电力负荷开展预测;然后,使用改进的粒子群优化算法对联合模型权重进行寻优;最后,利用最优权重将单一模型预测结果进行合并得到最终的预测结果。验证结果表明,所建立的联合模型能够对短期电力负荷进行准确的预测,且联合模型的预测精度要优于差分自回归滑动平均、长短期记忆神经网络和BP神经网络等单一模型,具有一定的工程应用价值。     

基于混合神经网络的光伏电量预测模型的研究

精确的光伏发电量预测对光伏发电系统的安全运行有重要的作用。然而,由于太阳能的不稳定性、间歇性和随机性,现有光伏发电量的短期预测模型存在预测误差大、泛化能力低等问题。因此,提出一种混合神经网络和注意力机制的分布式光伏电站电量短期预测模型(A-HNN)。利用残差长短期记忆网络与扩展因果卷积相结合提取数据的时间和空间特征,加入注意力机制增强特征选择,给出一种改进的混合神经网络模型。根据发电量数据时间序列本身的特性,选取以日为周期的时间序列数据。最后,通过实验与近期其他模型对比,结果表明在同等条件下此混合模型可以大幅提高光伏发电量预测的精度。     

基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测

针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型。首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强。其次,结合卷积神经网络(convolutional neural network, CNN)在特征提取上的优势和长短期记忆网络(long short-term memory, LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力。此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足。实验结果表明：基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度。     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

光伏发电有功功率预测及其在电网频率控制中的应用

针对光伏发电有功功率预测准确率低的问题,提出了基于马尔科夫修正的小波神经网络光伏发电有功功率预测算法。将历史数据分为晴朗、多云等天气类型,分别进行训练,建立网络模型,再根据预测日天气预报采用不同的网络模型预测。光伏的大规模并网将会对电力系统的有功平衡造成很大的扰动,调度部门借助光伏发电有功功率的准确预测进而对自动发电控制进行超前控制可以有效降低频率的波动,减轻自动发电控制机组的调节压力。实际算例对算法进行了验证,并仿真了有功扰动下的频率恢复特性,表明了基于光伏发电有功功率预测的自动发电控制超前控制方法的有效性。     

基于相似日匹配及TCN-Attention的短期光伏出力预测

短期光伏出力预测对电力系统生产调度计划的合理制定极其重要,有助于促进光伏发电并网和消纳。光伏出力受气象特征影响较大,其过程具有波动性、间歇性、不可控等特点,导致快速、精准地进行短期光伏出力预测成为一项挑战。对此,文章提出一种基于相似日匹配及TCN-Attention的组合预测模型。首先,文章采用时间序列形态聚类算法和最大信息系数对光伏出力的相似性进行刻画,避免全部历史数据作为输入所产生的数据冗余;然后,利用可并行计算的时序卷积网络学习光伏出力特征,引入Attention机制突出关键气象特征的影响,有效提高模型训练速度和预测精度。基于实际数据的实验结果表明,较之其他预测方法,文章提出的方法具有信息提取直接、训练速度快、预测精度高等优点。