基于LIESN的光伏功率预测研究

为了光伏功率预测结果有更好的准确性与普适性,提出基于泄漏积分型回声状态网络(LIESN)的具有在线学习功能的预测方法。在回声状态网络(ESN)中引入泄漏积分型神经元,增强储备池的短期记忆能力;分析了LIESN的参数对其光伏功率预测性能的影响,得到优化后的预测模型;利用最小二乘在线学习算法对模型实施训练,得到最终的在线学习LIESN预测模型。实例证明,该算法可完成复杂的建模且适用于多种天气情况,预测精度优于BP神经网络、经典ESN及LIESN模型,验证了方法的有效性。     

基于泄漏积分型回声状态网络的在线学习光伏功率预测

为提高光伏功率预测结果的准确性,提出了基于泄漏积分型回声状态网络LIESN(leaky-integrator echostate network)的具有在线学习功能的预测方法。预测模型中采用泄漏积分神经元增强储备池的短期记忆能力,通过最小二乘在线学习算法增加临近时间样本对权值的影响;综合考虑预测精度与运行时间,分析了LIESN关键参数对预测性能的影响,并提出了LIESN关键参数的设定方法。实例证明,在线学习LIESN的预测精度优于BP神经网络、经典ESN及离线学习LIESN模型,测试结果的归一化均方根误差达到0.098 6,验证了方法的有效性。     

基于相似日和回声状态网络的光伏发电功率预测

光伏发电功率预测对提高光伏电站控制、调度性能以及保证电网的安全稳定运行具有重要意义。提出一种基于相似日和回声状态网络（ESN）的光伏发电功率预测模型。首先运用相关性分析法对光伏发电功率的影响因素进行了深入分析,并筛选出其主要影响因素;再利用主要影响因素的历史气象信息建立气象特征向量,通过计算灰色关联度（GRA）寻找合适的相似日;最后运用ESN创建预测模型,利用相似日历史数据训练ESN,而后对预测日的输出功率进行逐时预测。算例表明,对比传统模型,GRA-ESN模型具有更高的预测精度和更好的可行性。     

基于回声状态网络的电力市场电价预测

传统的神经网络算法在电价变化剧烈的情况下,精度较低并且所耗费的时间较长,难以满足电力市场发展的需求。为解决该问题,提出了一种基于回声状态网络(ESN)的短期电价预测方法。所提方法介绍了基于回声状态网络的预测原理,提出了电力市场短期电价的预测机制,包括参数选取、采样数据预处理和ESN训练及预测过程;并分别采用回声状态网络和反向传播算法(BP)神经网络进行短期电价预测。经过仿真验证,所提出的基于回声状态网络的电价预测具有较好的准确率和可行性。     

基于CEEMDAN-排列熵和泄漏积分ESN的中期电力负荷预测研究

针对中期电力负荷预测,提出一种具有自适应噪声的完整集成经验模态分解(CEEMDAN)-排列熵和泄漏积分回声状态网络(LIESN)的组合预测方法。CEEMDAN方法在负荷序列分解的每一阶段添加特定的白噪声,通过计算唯一的余量信号以获取各个模态分量,与EEMD方法相比,其分解过程是完整的。为降低负荷非平稳性对预测精确度的影响以及减小计算规模,采用CEEMDAN-排列熵方法将负荷时间序列分解为具有复杂度差异的不同子序列,通过分析各个子序列的内在特性,分别构建相应的LIESN预测模型,最终对预测结果进行叠加。将该方法应用于不同地区的中期峰值电力负荷预测实例中,并与其他组合预测以及单一预测方法进行比较。实验结果表明,所提出的方法有很高的预测精确度,显示出其有效性和应用潜力。     

基于PSO-WPESN的短期电力负荷预测方法

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率小波包分解方法对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明:针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

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。     

粒子群优化小波包回声状态网的短期电力负荷预测

精确的短期电力负荷预测是电力生产优化调度和安全稳定运行的重要保证,是智能电网建设的重要一环。为提高模型的预测精度,提出了一种基于粒子群优化小波包回声状态神经网络的短期电力负荷预测方法。首先利用多分辨率分析小波包分解理论对负荷数据进行分解和重构,建立小波包回声状态网预测模型;然后,利用粒子群算法对预测模型储备池中的参数进行优化。实验结果表明：针对短期电力负荷动态时间序列数据,与BP、Elman、传统ESN等网络相比,PSO-WPESN网络的预测精度、稳定性和泛化能力都得到明显增强,尤其是能在一定程度上缓解由于输出矩阵过大造成ESN存在病态解的弊端。     

基于VMD-DESN-MSGP模型的超短期光伏功率预测

光伏功率时间序列受到多种因素影响,呈现出高度的随机性和波动性。针对光伏功率时间序列可预测性低的问题,提出了一种结合变分模态分解(variationalmodal decomposition,VMD)、深度回声状态网络(deepechostate network,DESN)和稀疏高斯混合过程专家模型(mixtureof sparse gaussian process experts model,MSGP)的超短期光伏功率预测方法。首先采用VMD将光伏功率时间序列分解为不同的模态,降低数据的非平稳性;为提高模型在超短尺度时序的预测能力,对各模态分别建立DESN预测模型,将各模态预测结果进行求和重构;为进一步提高模型预测精度,对误差的特性进行分析,采用MSGP对预测误差进行补偿;最后将误差的预测值与原功率的预测值相叠加作为最终预测结果。仿真结果表明,该方法在光伏功率时序预测中的效果比传统预测模型更好,有效提高了超短期光伏功率时间序列预测的准确性。     

基于NGO-VMD-SSA-ESN 的短期电价预测∗

针对电价波动性和非线性的特点,为提高电价预测的精度,提出了一种基于回声状态网络的短期电价混合 预测模型.首先,基于北方苍鹰优化算法(NGO)优化后的变分模态分解(VMD) 对原始电价进行分解,降低电价 的波动性;然后,利用麻雀搜索算法(SSA)对回声状态网络(ESN)的参数进行优化,使其能针对NGO-VMD分解 后的不同子序列自适应地调整参数进行预测,降低参数经验设置的随机性;最后,根据分解子序列与原始数据的皮尔 逊相关系数,选择合适子序列的预测结果重构合成最终预测结果,消除了噪声的影响.以美国PJM 电力市场为例, 与其他电价预测模型对比验证所提出的混合模型具有更好的预测精度.