考虑风向和大气稳定度的海上风电功率短期预测

对于海上风电功率的预测,传统预测模型未计及因风向与大气条件改变引起的输出功率差异。为了提升预测精度,在考虑大气稳定度的同时,根据风向与功率损失构建出功率风向(power-direction,Pd)模型,并在此基础上提出基于编码–解码(Encoder-decoder)框架的海上风电功率预测方法。该方法可根据Pd模型更新尾流效应损失,并有效平抑预测功率波动,区分不同大气层结稳定度下的尾流效应。首先,通过长短期记忆神经网络(long-short term memory,LSTM)等预测模型验证大气稳定度及Pd模型的有效性,然后使用Encoder-decoder对实际海上风电场进行风电功率预测。实验结果表明,考虑大气稳定度并使用Pd模型的Encoder-decoder方法,其均方根误差较单一Encoder-decoder预测方法降低了2.39%。     

基于VMD-Informer-BiLSTM模型的超短期光伏功率预测

由于光伏出力的波动性和随机性给电网的规划和运行带来了挑战,因此提高光伏功率预测的精度对提升新能源系统的稳定性具有重要意义。为此提出了一种结合模态分解、多维特征建模、Informer、双向长短期神经网络(bidirectional long short-term memory network,BiLSTM)的超短期光伏组合预测模型。首先通过变分模态分解将光伏功率序列分解成不同频率的本征模态函数(intrinsic mode function,IMF),降低光伏功率信号的非平稳性与复杂度;随后使用离散小波变换提取天气因素中的细节分量,实现不同分解算法的优势互补,并用随机森林算法为每个IMF筛选冗余特征,然后将特征矩阵送入Informer进行建模,提取不同时间步中关键时刻的信息,提高对长时间序列的预测效率;最后为进一步提高模型预测精度,分析误差序列特性,利用BiLSTM进行误差校正。采用实际光伏数据进行算例分析,结果表明所提方法提高了超短期光伏功率预测精度。     

基于样本数据迁移学习的贫资料地区小水电超短期出力建模及发电预测EI北大核心CSCD

富集地区的小水电出力建模是保证电网安稳与经济运行、实现大小水电协调的重要措施。位于偏远山区的小水电信息采集困难,建模相关有效数据匮乏,难以借鉴现有的大中型水电出力研究方法。针对贫资料地区小水电,将迁移学习引入其出力建模,基于卷积神经网络(convolutional neural network,CNN)与长短期记忆网络(long short-term memory,LSTM)混合的迁移卷积时空网络(transfer convolutional neural network-long short term memory,TCNN-LSTM),提出了一种样本数据迁移学习方法。以一组具有代表性的丰富水电长期运行数据库为源域;首先,为使迁移前后的任务数据域更相近,提出了跨水电相似数据匹配算法,对源域多维度的长期数据进行时序分割,并计算各子序列与目标水电短期数据的匹配度,筛选高相似片段提纯源域,以提高迁移学习模型的正向迁移率与准确度;然后,利用卷积时空网络(convolutional neural network-long short term memory,CNN-LSTM)对源域进行预训练并提取公共知识,通过网络参数微调(fine-tuning,FT)的方式将预训练模型外推到数据稀缺的目标小水电中,以实现少样本条件下的数据特征迁移学习。最后,以四川某地区为实例验证该算法在贫资料小水电样本数据欠缺情况下的有效性与鲁棒性,相比传统深度学习,本方法将预测均方根误差平均降低16.54%,具有一定工程实用价值。     

并行多模型融合的混合神经网络超短期负荷预测

针对输入数据特征多时负荷预测模型精度提升难的问题,文章提出一种并行多模型融合的混合神经网络超短期负荷预测方法。将卷积神经网络(convolutional neural network,CNN)与门控循环单元神经网络(gated recurrent unit neural network,GRU-NN)并行,分别提取局部特征与时序特征,将2个网络结构的输出拼接并输入深度神经网络(deep neural network,DNN),由DNN进行超短期负荷预测。最后应用负荷与温度数据进行预测实验,结果表明相比于GRU-NN网络结构、长短期记忆(long short term memory,LSTM)网络结构、串行CNN-LSTM网络结构与串行CNN-GRU网络结构,所提方法具有更好的预测性能。     

多时序协同中期负荷预测模型

针对负荷预测中前馈神经网络无法记忆序列间关联信息,且长短期记忆网络容易出现过拟合、泛化能力差等问题,提出了加法自回归积分滑动平均ARIMA(auto-regressive integrated moving average)模型结合长短期记忆LSTM(long short-term memory)网络的多时序协同中期负荷预测ARIMA-LSTM模型。该模型考虑了季节、温度和节假日的影响,采用ARIMA提取负荷序列内部因素,用Adam算法优化ARIMA-LSTM模型的网络参数。最后将某地区实际负荷数据用于该模型,并与神经网络NN(neural network)模型和LSTM进行对比,其均方根误差分别降低了7.698%和2.154%,验证了该模型具有更高的预测精度。     

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。     

大规模风电并网电力系统经济调度中风电场出力的短期预测模型

考虑到大规模风电并网电力系统经济调度中,对风电场出力的短期预测在时间尺度和精度尺度方面的要求,以传统的反传播神经网络(back propagation artificial neural network,BP-ANN)作为预测手段的基础,建立了风电场短期出力预预测模型。考虑到历史的预测误差与未来预测误差间的映射关系,利用传统的BP-ANN预测技术对未来的预测误差进行预测。通过算例仿真发现,误差预测变化趋势能跟踪预预测的误差变化,基于此并考虑到经济调度对风电场出力预测精度的要求,建立了对风电场出力短期预预测进行修正的风电场出力短期预测模型,进一步的算例仿真表明了该模型的有效性。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于稳健估计时间序列法的风功率预测

基于稳健估计运用时间序列法对风电场出力进行了短期预测。先对数据进行了预处理,用最小二乘法和稳健估计法分别建立了自回归滑动平均模型。通过模型提前预测了下个30min的风电场出力,总共预测了10次。结果表明,基于稳健估计的时间序列建模进行预测的误差大多数都在5%以内,只有一个点达到10.1%,明显比常规的时间序列建模预测的误差要小。说明稳健估计能在建模数据含有少量异常值时,比常规自回归模型预报精度要高。     

计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测

高精度的短期风电功率预测对保障电力系统安全至关重要,因此提出了一种计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测方法,在深度学习预测建模环节除了采用目标风电场的NWP作为输入特征,还引入了邻近风电场的高相关特征。首先综合风速序列、功率序列间的相关性和距离,计算区域内各邻近风电场和目标风电场的复合相似度,并依据相似度排序选择高度相似的邻近风电场作为信息来源;再采用CEEMDAN频域信号分解和时间序列特征扩充构造高维特征集合,并引入浮动搜索特征选择算法对强相关特征进行优选;最后基于被选核心特征,开展基于CNN-BiLSTM深度神经网络的功率预测建模。算例结果表明,相较不引入邻近风电场信息的传统预测方法,所提方法能有效提升预测精度。     

基于聚类经验模态分解的CNN-LSTM超短期电力负荷预测

为了减少复杂环境因素对电力负荷超短期预测效果的影响,提高算法的预测精度和运算效率,该文提出一种基于聚类经验模态分解(clusterempiricalmodedecomposition,CEMD)的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network,CNNLSTM)混合预测算法。该算法首先通过经验模态分解法将负荷数据分解为平稳性好、规律性强的若干本征模态函数(intrinsic mode functions,IMF)和残差(residual,Res)。其次为了简化后续模型的计算体量,运用k均值聚类方法对分解所得的各分量进行分组集成,同时分析不同聚类数对应的预测效果,选取最优聚类标签构造神经网络输入数据。之后将各组数据分别输入到CNN-LSTM混合神经网络中,利用CNN挖掘数据间的特征形成特征向量,并将其输入到LSTM中进行预测。最后将所有预测结果进行线性相加得到完整预测负荷。通过在真实负荷上进行验证并与现有模型进行比较,所提方法具有更高的预测精度。     

基于小波分解与ARMA-BayesLSTM组合模型的风向短期预测

针对风向的随机性、不稳定性、强相关性,提出了1种基于小波分解的自回归滑动平均模型（Autoregressive moving average,ARMA）与Bayes-LSTM(Long short-term memory,LSTM)组合的风向预测算法。首先对风向序列进行小波分解;然后使用ARMA与Bayes-LSTM算法分别对各分量进行预测;最后对预测结果进行重构,得到预测风向。与ARMA、LSTM、Bayes-LSTM预测方法进行对比,结果表明,所提出的组合算法对风向具有更好的预测精度。     

基于GCN-LSTM的日前市场边际电价预测

传统电价预测往往采用基于时间序列的时域预测方法,未能充分利用电力市场的地域信息,忽略了跨区域输电条件下影响区内电价的域外因素,为进一步提升电价预测精度提出一种基于图卷积神经网络与长短时记忆网络(graph convolution network-long short term memory,GCN-LSTM)的时空预测算法。该算法首先通过建立图模型,描述地域分布的电力市场数据,并使用图卷积神经网络,提取所研究区域和周围地区传导到域内的域外信息;其次,将不同时刻图卷积神经网络提取到的信息构成时间序列,输入长短时循环网络,从而对日前市场边际电价进行预测。利用北欧电力交易所Nord Pool的运营数据进行算例分析,通过与对照算法对比,该算法具有更好的预测精准度和普适性。     

基于K-Medoids聚类与栅格法提取负荷曲线特征的CNN-LSTM短期负荷预测

高效准确的短期负荷预测是电力系统安全稳定与经济运行的重要保障。针对峰荷与谷荷预测误差较大的问题,提出一种基于栅格法提取负荷曲线特征的卷积神经网络和长短期记忆网络(convolutional neural network and long short term memory network, CNN-LSTM)混合预测模型。首先,采用K-Medoids算法对日负荷曲线聚类,将各聚类中心作为典型代表日负荷曲线。采用栅格法将典型代表日负荷曲线划分为若干个区间并依次编号,提取负荷曲线的特征。然后,将各典型代表日负荷曲线特征与对应负荷类型历史数据重构成新的特征集输入到CNN-LSTM混合神经网络中。利用CNN挖掘数据间的特征形成新的特征向量,再将该特征向量输入到LSTM中进行预测。最后,以美国新英格兰地区2012至2013年电力负荷数据集为例进行仿真验证。结果表明,所提方法在不同日期下的负荷预测精度均有所提升,并且在提升日负荷平均预测精度的同时,有效提升了峰荷、谷荷的预测精度。     

基于长短期记忆网络的风电场发电功率超短期预测

精确的风电场发电功率超短期预测对电力系统的经济调度和安全稳定运行意义重大。为充分利用多数据源中的有效信息来进一步提高风电场超短期发电功率的预测精度,提出了一种基于长短期记忆(long short-term memory,LSTM)网络的多变量风电场超短期发电功率预测方法。该方法首先利用距离分析法筛选出与风电功率相关程度高的变量,进而降低数据的规模和复杂程度。然后利用LSTM网络对多变量时间序列进行动态时间建模,最终实现对风电功率的预测。采用美国加州某风电场的实测数据进行验证,结果表明,文中方法能够有效利用多变量时间序列进行风电场发电功率的超短期预测,较人工神经网络和支持向量机拥有更高的预测精度。     

基于时空神经网络的风电场超短期风速预测模型

随着风电场的大规模接入,提高风电场风速的预测精度对于促进可再生能源的消纳具有重大意义。传统的预测方法通常根据风电场单一高度的历史风速进行预测,当预测的时间尺度达到三四小时的时候,预测误差较大。不同高度的风速、风向数据蕴含了风电场内部的时空相关性,数值天气预报数据也体现了风电场周边的大气运动对风速发展规律的影响。文中在输入数据层面,同时引入了不同高度的风速、风向数据和数值天气预报数据。为了充分挖掘数据中的规律,提出了一种新的时空神经网络,采用深度卷积神经网络和双向门控循环单元,分别提取风速、风向等历史数据以及数值天气预报的时空特征,并利用融合后的特征进行风速预测。最后,利用中国东北某风电场的实际测量数据,验证了算法的有效性。     

基于Bayes-LSTM网络的风电出力预测方法

为提高风电出力的预测精度,提出一种基于Bayes优化的长短期记忆人工神经网络(long-short term memory, LSTM)的预测模型。首先,利用经验模态分解对风电历史出力序列进行分解,并对各分量及原始数据分别提取8个统计特征量,与预测前6个时刻出力值共同组成预测特征集。然后,采用绳索算法(least absolute shrinkage and selection operator, LASSO)从预测特征集中提取具有统计意义的特征子集,作为预测模型的输入。最后,提出基于Bayes超参数寻优的LSTM网络优化方法,以提高预测精度。选取湖北某市风电出力历史数据进行预测实验,结果表明：相较于BP神经网络、SVM、RBF网络、GRNN网络等预测模型,所提模型预测精度较高,特征提取方法较为合理。     

基于混合算法优化神经网络的风电预测模型

针对粒子群算法陷入局部最优以及Elman神经网络泛化能力不足等缺点,提出一种混合小波包分解(wavelet packet decomposition,WPD)和催化粒子群算法(catytic particle swarm optimization,CPSO)优化Elman神经网络(elman neural network,ENN)的短期风电预测方法。通过小波包变换对风电功率样本进行多层序列分解,对单支重构所得的风电功率子序列采用催化粒子群算法优化的神经网络(CPSO-ENN)进行预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证,结果表明新模型具有较高的预测精度。     

基于秃鹰搜索算法优化LSTM的短期风速预测

为了实现短期风速的精准预测,提出了一种基于秃鹰搜索算法优化长短时记忆神经网络的短期风速预测方法。将风速、风向、温度和气压作为特征量,采用秃鹰搜索（bald eagle search,BES）算法对长短时记忆神经网络（long short term memory,LSTM）的隐含层单元数量、正则化系数和初始学习率三个超参数进行优化,建立基于BES-LSTM的短期风速预测模型。采用实际风电场相关数据进行仿真分析,并与其他风速预测方法进行对比,结果表明,本文所提BES-LSTM模型预测结果的方均根误差、平均相对误差和可决系数分别为0.182、3.742%和0.992,各项指标均优于PSO-LSSVM模型和SSA-ELM模型,短期风速预测效果更好。     

基于误差校正的中长期负荷预测模型

中国的中长期负荷呈现明显的增长趋势,大部分插值算法在预测建模时,对区间外预测结果的有效性得不到保证.文章建立了一个综合时间序列建模和回归建模优点的模型来预测湖南衡阳地区年度负荷.将总量数据转换成增速数,然后建立广义自回归条件异方差(general autoregressive conditional heteroscedasticity,GARCH)对负荷增速序列建模.建立回归模型分析 GARCH 模型的残差中未被 GARCH模型解释的外界影响,然后根据回归预测的残差对 GARCH模型误差进行校正.在选择回归模型变量时,引入格兰杰因果检验筛选适当的影响因素,引入主成分分析提取影响因素中包含的信息,降低自变量的维数,提高中长期负荷建模精度.实例研究表明该方法对于中国中长期负荷预测较为准确.