基于CCNN的光伏发电功率预测

高精度光伏功率预测在光伏并网、电网安全稳定运行中起着重要作用。为获得可靠的预测功率,本文提出了一种基于因果卷积神经网络（Causal Convolutional Neural Network,CCNN）的预测模型。首先,将处理后的特征数据输入到因果卷积神经网络,在每一卷积层中,利用LSTM网络输入门对输入数据去噪,选出重要信息,而后经过1×1卷积核实现信息整合,同时降低运算复杂度,从而构建出CCNN预测模型。最后,采用巴西某发电厂真实数据对模型进行验证,并与人工神经网络（ANN）、LSTM和卷积神经网络（CNN）模型进行对比。结果表明,该方法可以很好地反映时序信息的动态特性,且预测精度优于对照模型,具有一定的实用价值。     

基于XGBoost-LSTM组合模型的光伏发电功率预测

该文提出一种基于极端梯度提升（XGBoost）模型和长短期记忆网络（LSTM）模型的短期光伏发电功率预测组合模型。根据短期光伏发电特性,首先分别建立XGBoost模型和LSTM模型,然后利用XGBoost模型进行初步预测增加特征,并利用误差倒数法将两模型组合起来进行预测。选取2018年光伏电站人工智能运维大数据处理分析大赛的数据集进行实验评估,最终结果表明,该文所构建的XGBoost-LSTM组合模型的均方根误差（RMSE）为0.214,将上述方法与随机森林、GBDT模型和单一的XGBoost模型和LSTM模型相比较,该文提出的方法具有更高的预测精度。     

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CNN-LSTM的燃气轮机NOx排放预测研究

为了建立精准的NO_x预测模型,解决燃气轮机电站存在NO_x超标排放的问题,提出一种基于卷积神经网络(Convolutional Neural Network, CNN)和长短期记忆神经网络(Long Short-term Memory, LSTM)组合模型的NO_x排放预测方法。将NO_x排放历史数据和燃气轮机燃烧的状态参数通过滑动窗口法构建成特征图格式输入到CNN中,利用其卷积层和池化层提取表征NO_x动态变化的特征向量,并转化为时间序列格式输入到LSTM中进一步挖掘内部规律,从而实现NO_x的排放预测。以某三菱燃气轮机的历史运行数据进行试验。结果表明:CNN-LSTM的相对均方误差e_(RMSE)为1.811 mg/m~3,并通过与PCA-BP,PCA-RNN和PCA-LSTM模型进行比较,验证了方法的可行性。     

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...     

基于GRU-BLS的超短期光伏发电功率预测

光伏发电功率的准确预测对电网的稳定运行具有重要的意义。针对深度学习训练耗时长和宽度学习特征提取能力弱等问题,将门控循环单元（GRU）与宽度学习系统（BLS）相融合,提出了用于超短期光伏发电功率预测的GRU-BLS模型。先使用GRU训练序列样本,再将所学习到的隐特征作为新的输入特征,最后在BLS中构造特征节点和增强节点以形成最终的特征。所建立的模型在保留深度学习高预测精度的前提下,有效地缩短了模型的训练时间。在实际的光伏发电数据集上进行实验,评估所提模型在不同季节和天气类型下的性能。实验结果表明：与长短期记忆（LSTM）,GRU,BLS和LSTM-BLS等模型相比,GRU-BLS的RMSE值降低了23.89%～75.68%,且TIC值和MAPE值也得到了显著改善。     

基于小波变换和混合深度学习的短期光伏功率预测北大核心CSCD

准确的短期光伏功率预测对于保证电能质量及提高电力系统运行可靠性具有重要意义。为此,文章提出了一种基于小波变换和混合深度学习的短期光伏功率预测方法。首先,将天气类型分为理想天气(晴天)和非理想天气(多云、阴天等)。对于理想天气,将历史光伏功率时间序列转化为二维图像作为混合深度学习模型(Hybrid Deep Learning Model,HDLM)的输入。对于非理想天气,使用小波变换对历史光伏功率时间序列进行分解,将得到的分量和气象参数转化成三维图像作为HDLM的输入。在HDLM中引入并行结构,由多个并列卷积神经网络和双向长短期记忆网络组成。实验结果表明,在理想天气和非理想天气条件下,所提短期光伏功率预测方法均具有较高的预测精度。     

基于CNN-VMD-PCA特征融合的光伏发电功率预测研究

为了较为准确地预测光伏发电功率,提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)提取光伏光电数据深度特征,然后用变分模态分解方法(Variational mode decomposition, VMD)分解数据原特征,再把分解后的特征和深度特征融合,用主成分分析法(Principal component analysis, PCA)提取融合后特征的主成分,最后用Xgboost(Extreme gradient boost, Xgboost)模型进行功率预测。根据对所提模型的实测评估,并与其他预测模型对比,得出基于CNN-VMD-PCA特征融合的预测模型具有较高预测精度,其拟合优度达0.932,能够得到更可靠的功率预测结果。     

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。     

基于改进神经网络的光伏发电功率短期预测方法研究

针对光伏发电中因多种随机因素引起的输出功率不确定性问题,文章结合思维进化算法和BP神经网络算法建立了光伏发电功率的短期预测模型,模型的输入因子为大气温度、辐照度、风速和历史输出序列。根据季节变化采用4个预测单元对预测模型进行训练和电站出力预测,并通过仿真对所提算法的有效性和准确性进行验证。结果表明,MEA-BP模型能有效降低BP网络模型的预测误差。     

基于改进灰狼算法优化长短期记忆网络的光伏功率预测

为提高光伏发电功率预测的准确性,提出一种基于改进自适应因子与精英反向学习策略的改进灰狼算法(IGWO),用以优化长短期记忆网络(LSTM)预测模型。利用IGWO优化LSTM全连接层参数,建立IGWO-LSTM组合模型预测光伏功率,具有较好的收敛速度与求解效率,也可有效避免局部最优解。最后基于常州某光伏发电站实时数据进行仿真,实验结果表明IGWO-LSTM相对于LSTM光伏功率预测更具准确性。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。     

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...     

基于数字孪生技术的光伏发电功率预测方法研究

随着新能源技术的不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,准确的功率预测对电网的稳定运行至关重要。近几年大数据及人工智能发展迅速,将数字孪生技术与功率预测相结合,可以得到高精度的预测结果。本文提出一种基于数字孪生的功率预测机制,建立数字孪生体实现光伏发电功率预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

基于密度峰值聚类及GRNN神经网络的光伏发电功率预测方法

提出一种基于密度峰值聚类和广义回归神经网络(general regression neural network,GRNN)的光伏发电功率短期预测方法。首先分析气象因素特征,计算统计指标构成天气特征向量;其次,为克服传统K均值聚类算法易陷入局部最优,需人为指定聚类中心等问题,采用密度峰值聚类算法对历史气象数据聚类识别;最终针对每一类簇构建GRNN预测模型。仿真结果表明,该文所述方法具有较高的预测精度,且在小样本环境下仍有良好的适用性。     

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。     

光伏发电功率短期预测方法研究

煤炭、石油、天然气等不可再生能源的使用,严重降低了空气质量,光伏并网由于可再生、无污染以及资源丰富的特点受到了社会各界人士的喜爱,但是光伏并网发电系统会从许多的不同层面影响电网的电能质量。本文重点分析了分布式光伏发电并网系统,对低压配电网的数学模型进行推导,并且从电路基本理论角度分析光伏配电电源对配电网电能质量产生的作用,发现配电网电压波动与光伏电源容量和短路容量密切相关。     

基于WOA-BiLSTM模型的短期光伏出力预测

针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短期记忆神经网络（WOA-BiLSTM）的光伏出力短期预测模型。利用鲸鱼算法（WOA）进行参数寻优,完成对双向长短期记忆神经网络（BiLSTM）模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验证。预测结果显示：相较于长短期记忆神经网络（LSTM）与BiLSTM预测模型,WOA-BiLSTM模型可以在一定程度上提高预测的精度。     

基于小波变换和神经网络的光伏功率预测

提出了一种小波分解(Wavelet Transform,WT)和径向基函数神经网络(RBFNN)相结合的预测方法,并引入理论太阳辐照量、温度和相对湿度数据来预测未来24 h光伏电站的输出功率。小波分解能有效地表征光伏电站输出功率时间序列的局部特征,人工智能方法可以捕捉到光伏发电中的非线性特性。预测结果表明,采用该方法预测光伏电站输出功率,能有效地提高预测精度。