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KNN-IDBO-LSTM的光伏短期发电预测方法研究

提出一种基于K-近邻（KNN）数据预处理和改进蜣螂算法（IDBO）优化的长短期记忆神经网络（LSTM）光伏出力预测模型。首先,采用KNN补全缺失数据并校正异常数据,并提取易于训练的时序特征;然后,提出一种基于IDBO的LSTM模型参数优化方法,在原始DBO的基础上,采用种群均匀初始化策略,融合Levy飞行进行蜣螂位置迭代,引入种群密度概念动态调整种群数量,在保证全局搜索能力的同时大幅降低搜索时间;最后,基于澳大利亚某光伏阵列数据评估优化后模型预测性能。结果表明：在晴天、多云和雨天3种情况下,相比于KNN-LSTM,KNN-IDBO-LSTM的决定系数（R²）最高提升2.67%、均方根误差（RMSE）最高降低71.2%、平均绝对误差（MAE）最高降低79.9%、运行时间减少33.6%。     

基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测

为提高光伏功率的预测精度,提出一种变分模态分解（VMD）、模糊熵（FE）、卷积神经网络（CNN）和双向长短期记忆神经网络（BiLSTM）的光伏功率组合预测模型。该方法首先采用VMD将原始光伏序列数据分解成多个子序列,从而减少随机波动分量和噪声干扰对预测模型的影响,通过FE对每个子序列进行重组,使用一维CNN的局部连接及权值共享提取不同分量的特征,将CNN输出的特征融合并输入到BiLSTM模型中;利用BiLSTM模型建立历史数据之间的时间特征关系,得到光伏发电功率预测结果。与BiLSTM、CNN-BiLSTM、EEMD-CNN-BiLSTM、VMD-CNN-BiLSTM这4种模型进行比较,该文提出的VMD-FE-CNN-BiLSTM模型在光伏发电功率预测中具有较高的精确度和稳定性,满足光伏发电短期预测的要求。     

基于优化变分模态分解的光伏功率超短期区间预测方法

针对城市分布式光伏电站在进行超短期功率预测时所需气象资料难以获取,在转折天气下光伏出力不确定性增加的问题,提出一种光伏功率超短期区间预测模型。首先该模型采用麻雀算法优化变分模态分解（VMD）,在不同天气下将历史光伏出力分解成多个时序特征强的子模态;其次,通过长短期记忆神经网络LSTM对各子模态分别预测;再次,将各子模态的点预测结果叠加;算例验证结果表明：在各类天气条件下,所提模型相比于单纯使用气象因子的预测方法,具有更高的预测准确度和更强的适应性,同时也能在点预测的基础上提供较为准确的置信区间。     

考虑数据分解和进化捕食策略的BiLSTM短期光伏发电功率预测

提出一种考虑数据分解和进化捕食策略的双向长短期记忆网络（BiLSTM）短期光伏发电功率预测模型。首先,针对大量高频分量且频率成分复杂的原始光伏发电功率,通过数据分解理论,提出互补集合经验模态分解（CEEMD）与矩阵运算的奇异值分解（SVD）融合的（SVD-CEEMD-SVD,SCS）方法,实现光伏发电功率数据的二次降噪。然后,建立进化捕食策略（EPPS）和BiLSTM的组合预测模型,以更好地挖掘模型的内在特征,提升功率预测精度。最后,以山东某地区实际光伏电站为例,验证模型在滤除光伏发电功率噪声和提升预测精度方面的有效性。     

基于LEA-LSTM的光伏发电功率短期预测方法

光伏发电功率易受气象和环境因素的影响,出现较大的随机性和不确定性,给电力部门的调度和电网的安全带来一定影响。因此,光伏发电功率的精确预测对于电力系统的稳定运行至关重要。文章利用爱情进化算法(love evolution algorithm,LEA)较强的全局搜索能力,优化长短期记忆网络(long short-term memory,LSTM)以更准确地进行光伏发电功率的短期预测。首先,使用皮尔逊相关系数计算各气象因素与光伏发电功率之间的相关性程度,确定模型的输入特征;其次,采用LEA算法对LSTM网络的初始超参数进行优化,获得最优的参数组合,建立LEA-LSTM模型;最后,为验证文章方法的普适性和优越性,采用不同天气条件下的数据集进行了实验,与LSTM、PSO-LSTM和WOA-LSTM3种模型进行对比,并计算了4种模型的平均绝对误差、均方误差、均方根误差、平均绝对百分比误差和决定系数5种误差评价指标。实验结果表明,与LSTM、PSO-LSTM和WOA-LSTM相比,文章所提出的LEA-LSTM模型具有较高的预测精度和较小的预测误差。     

基于LSTM模型的短期光伏功率预测

对比3类LSTM功率预测方法的误差以评价业务气象预报在光伏功率预测中的作用,及训练集、测试集的不同划分对预测精度的影响。这3类功率预测方法分别是：只使用光伏功率、使用光伏功率及气象观测、使用光伏功率及气象预报。气象预报因子使用了与光伏功率相关性最高的总辐照度。分析时间段为2020年1月1日—6月30日,气象预报来自于ECMWF和NOAA/NCEP。结果表明,对于长度有限的资料,训练集、测试集的不同划分对预测模型精度会产生一定的影响。如果可使用总辐照度的观测,则短期功率预测的相对误差可降低约2.3%。与只使用光伏功率相比,既使用光伏功率又使用气象预报,短期功率预测相对误差降低约2.1%。与NOAA/NCEP气象预报相比,ECMWF气象预报明显降低了功率预测的误差。相比于只使用光伏功率,增加气象预报可提高预测精度。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类,但点值预测方法难以适应光伏功率的随机性和波动性,因此,该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先,通过灰色关联度筛选出不同环境条件的相似日样本集,并利用EEMD将光伏出力序列分解成不同的本征模态函数;然后,利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化,并利用分位数回归法对光伏的输出功率进行短期区间预测;最后,通过算例数据验证所建立模型的有效性。     

基于实例迁移学习的小样本光伏功率短期预测

针对新建光伏电站历史数据匮乏导致功率预测精度不足的问题,提出一种基于实例迁移学习的小样本光伏发电功率短期预测方法。首先,以一组丰富的长期运行光伏数据为源域,利用多核最大均值差异估计源域与目标域光伏数据的匹配相似性,筛选出高相似的迁移源域;然后,建立加权对抗双向长短期记忆网络,通过对抗学习赋予源域光伏样本权重以调整其数据分布,将调整后的源域数据充实目标域数据集,采用双向长短期记忆网络挖掘公共知识域中光伏发电功率序列与气象数据的双向时序关联特性,实现小样本条件下光伏功率的精准预测。结果表明：相较于传统深度学习和模型迁移方法,所提方法能有效提高历史数据有限条件下光伏功率的预测精度。     

基于K-medoids-GBDT-PSO-LSTM组合模型的短期光伏功率预测

为保障电网供需平衡和安全稳定运行,提高大型光伏电站功率预测的精度,提出一种基于K中心点聚类算法（K-medoids）、梯度提升树（GBDT）和粒子群优化算法（PSO）组合优化的长短期记忆神经网络（LSTM）的光伏功率短期预测模型。首先,采用K-medoids聚类算法对大规模光伏发电数据样本中的天气数据进行不同类别聚类,分为晴天、阴天和雨/雪天3种天气类型;然后,在已有数据基础上构造特征工程,使用GBDT算法分别进行特征重要性分析,筛选出对光伏功率预测具有显著影响的特征,并构建合适大小结构的优化数据集;最后,将重构后的数据集代入PSO算法优化的LSTM模型进行训练,以建立短期预测模型。实验结果表明,该模型拥有更高预测精度,相比单一LSTM模型,在雨/雪天下的RMSE指标降低了12.19%。     

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...     

基于残差-密集连接-双向长短期记忆融合网络的光伏出力短期预测

光伏出力受随机气象因素的影响而具有极大的不确定性,预测不准将影响配电网系统运行的安全性和稳定性。提出基于残差-密集连接-双向长短期记忆融合网络的光伏出力短期预测模型,按天气类型分类进行模型训练。算例结果表明,所提模型在时间序列预测能力及峰值准确性方面都具有良好的性能。     

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MIV-PSO-BPNN的光伏出力短期预测

针对高比例光伏接入电网时,光伏出力的波动性会严重影响电力系统稳定运行的问题提出一种基于平均影响值与改进粒子群优化神经网络的组合式光伏出力短期预测模型。首先,采用直接预测法,选取总辐射量、直接辐射量、散射量、相对湿度、气温、风速和降雨量7个影响光伏出力的因素,构建MIV-PSO-BPNN模型,基于Rapid Miner数据挖掘得出降雨量对光伏出力平均影响值为0.0099,影响较小,不作为模型输入变量。然后,用改进PSO优化算法对BPNN的权值与阈值进行优化。最后,利用上海浦东国际机场T2-2光伏电站数据进行验证,结果表明MIV-PSO-BPNN模型对光伏出力预测有效,在实际中有一定应用价值。     

基于EMD-ESNs的光伏系统短期发电量预测

针对光伏系统发电量的影响因素,提出一种基于经验模态分解(EMD)与回声状态网络(ESNs)的组合光伏系统短期发电功率预测方法。通过对同日类型的历史发电功率数据进行EMD,得到其不同尺度的周期分量和趋势分量;滤除其体现数据差异的各个较小周期分量,针对体现数据共性的分量建立ESNs预测模型;最后,将预测值与趋势分量组合得到最终的预测结果。预测结果对比分析表明:该方法与单一回声状态网络、BP神经网络和小波神经网络预测方法相比,计算速度快,预测精度高,稳定性好。     

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K均值聚类和VMD-COA-BiLSTM的光伏功率预测

光伏发电功率受气象因素的影响,呈现出不稳定性和间歇性,准确预测光伏功率有助于实现大规模并网并保障电网的稳定运行。本文以DKASC Solar Centre光伏电站数据为研究对象,提出一种基于气象相似日的变分模态分解算法、长鼻浣熊算法和双向长短期记忆神经网络(VMD-COA-BiLSTM)的光伏功率短期预测模型。针对光伏数据的复杂非线性特征、噪声干扰以及高维特征等问题,通过K均值聚类将数据划分为三种天气类型,增强模型映射能力;利用VMD将聚类之后的原始信号分解,采用中心频率法确定最佳模态数,充分提取集合中的输入因素信息,提高数据质量;将分解后的各分量分别输入BiLSTM网络进行预测,采用COA优化BiLSTM的超参数配置,实现不同天气类型下的光伏功率的准确预测。实验结果表明：本文提出的模型相比于COA-BiLSTM模型,在晴天、多云和阴雨天的RMSE分别降低了35.24%、45.54%和42.88%。     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于SOA优化的光伏短期出力区间组合预测

将点值预测扩展为区间预测,利用光伏出力相似日样本中区间中点和区间半径进行预测,采用常规的BP神经网络算法、GM(1,1)灰色算法、支持向量机(SVM)算法分别预测,利用人群搜索算法(SOA)对各种区间预测的组合权值进行优化,并设定意愿系数将多目标优化转换为单目标优化.仿真结果表明,所提出的区间预测方法具有较高的预测精度...     

基于TCN-BiLSTM-Attention-ESN的光伏功率预测

针对光伏发电功率随机性强、难以准确预测的问题,提出一种基于时间卷积网络（TCN）、双向长短期记忆网络（BiLSTM）和回声状态网络（ESN）的组合预测方法。首先,使用自适应噪声完备集合经验模态分解（CEEMDAN）将功率数据分解为一系列相对平稳、不同波动模式的子功率序列;再将分解重构后的功率序列和其他特征序列输入到TCN-BiLSTM-Attention-ESN组合模型中,其中TCN-BiLSTM-Attention用于提取光伏序列波动特征并构建时空特征向量;最后,将所提取的时空特征向量输入ESN获得预测结果。采用新疆某光伏电站的光伏功率数据进行验证,结果表明与时下先进的预测方法相比,所提方法具有更高的预测精度,有助于提升光伏发电占比,保障电力系统平衡和运行安全。