基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。     

基于云变换的光伏出力预测模型

针对环境温度、环境湿度、辐射强度3种影响因子,建立基于云变换的光伏出力短期预测模型。首先,利用云峰值变换将影响因子转换为论域中的定性概念。然后,通过云合并进行概念跃升,构建隶属度函数进行数据划分,结合改进的Apriori算法获取各影响因子之间的联系。最后,建立云规则发生器,对光伏发电的出力进行预测,获取在不同置信区间下的预测结果集。所建立的云变换模型,对随机性与不确定性预测更加精确,既可通过期望的形式给出预测精确值,同时也可根据云模型的不确定性原理给出指定置信度的预测范围。     

基于SVM的风速风功率预测模型

风电是一种最方便、最成熟的可再生能源。风力发电具有波动性、间歇性和随机性,大容量的风力发电接入电网,对电力系统的安全、稳定运行带来影响。通过风速风功率预测,对风电场的出力进行短期预报,是解决这一问题的有效途径。常用的预测方法中,要么预测结果偏差太大,要么存在过学习、维数灾难和局部极值问题。支持向量机(SVM)应用于风速风功率预测,明显优于常用方法,得到相当可观的结果。     

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。     

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PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

基于改进VMD-BPNN的光伏功率预测

针对光伏发电预测模型准确率低的问题,构建了基于变分模态分解-反向传播神经网络(VMD-BPNN)的光伏功率预测模型。对光伏发电数据进行变分模态分解得到不同特征数据,解决了数据的随机性和波动性问题。再采用K-means聚类方法对不同特征数据进行聚类,提高模型的泛化能力。通过集成学习bagging的方法对BPNN进行增强,以达到提高光伏功率预测模型整体稳定性的目的。根据RMSE和NRMSE误差标准进行测试,测试结果表明,基于VMD-BPNN预测模型的NRMSE平均值2.77%,RMSE平均值为2.22%。     

基于EEMD-HS-SVM的短期风功率组合预测模型

随着电网中风电渗透率的逐年提高,对其出力进行精确预测是保障电网可靠运行的技术措施之一。文章建立了基于EEMD-HS-SVM短期风功率组合预测模型。采用EEMD分解技术对原始风功率序列做信息特征提取处理,将原始信号梯度化分解为一系列特征互异的本征模态函数,运用复杂统计理论体系下的样本熵作为特征,将特征相似的本征模态函数归类为尺度相异的新模态分量,根据新模态分量的局部特征与变化趋势,建立与之相对应的SVM预测模型。提出采用和声搜索算法优化SVM模型参数,有效改善了SVM算法存在的结构参数难以确定、训练效率低的不足。算例分析表明,EEMD-HS-SVM模型在风功率预测中具有较高的预测精度和预测效率。     

基于神经网络的风电短期功率预测模型研究

为使电网制定更合理的调度计划,提高风电的并网容量,需要精确的模型进行短期风功率预测。为达到此目的,本文将偏航角度、浆距角等参数纳入神经网络进行建模分析,以河南某风场10台1. 5 MW风机3个月的数据为研究对象,分别采用风资源作为参数,风资源和偏航角度作为参数,风资源、偏航角度和浆距角作为参数的三种情况下预测分析。在三种情况下,采用风资源、偏航角度、浆距角作为输入参数的模型预测结果的标准均方根误差NRMSE为3. 20%、平均绝对误差MAE为360 kW,分别比仅采用风资源作为参数进行预测的数值下降了62. 7%和60. 6%。由此表明,采用风资源、偏航角度和浆距角作为参数的预测精度最高,作为神经网络输入参数进行风功率预测更为合理。     

基于PCA-GA-ELM的光伏发电功率预测研究

针对目前光伏发电功率预测方法所存在的预测精度较低和不同天气类型适应性较弱的问题,提出一种利用主成分分析(PCA)和遗传算法(GA)改进极限学习机(ELM)的光伏发电功率预测模型(PCA-GA-ELM预测模型)。该模型的计算过程:首先,基于季节因素和天气类型等气象因素对于光伏发电系统的影响,在不同季节下建立了不同的子模型,并利用灰色关联分析法选取同种天气类型下的相似日;然后,利用PCA将多个原始输入变量降维成少数彼此独立的变量;最后,利用GA对ELM的初始权值和阈值进行寻优。此外,文章利用光伏电站的实际发电功率数据对预测模型进行验证。分析结果表明,PCA-GA-ELM预测模型具有较高的预测精度和较强的泛化能力。     

基于STL Former的中短期光伏功率预测

由于光伏发电具有间歇性和波动性,给电网运行的安全性和稳定性造成危害,对光伏功率进行准确预测可以有效解决这一问题。本文提出一种基于STL Former的中短期光伏功率预测模型,该模型结合了季节趋势局部加权回归分解（STL分解）与神经网络模型。首先,STL Former模型将光伏功率数据通过STL分解进行特征扩充,用于提取基于历史序列的周期项、趋势项特征。然后,拼接周期项、趋势项特征和原特征,进行数据预处理和特征编码并使用基于Informer模型的神经网络进行功率预测。最后,在真实数据集上进行大量实验。实验结果表明：STL Former在中短期光伏功率预测任务中精度较高,其中在2 h光伏功率预测任务时,平均绝对值误差为0.176、均方误差为0.180;在28 h光伏功率预测任务时,平均绝对值误差为0.170、均方误差为0.154。     

基于Attention-GRU的短期光伏发电功率预测

针对传统长短时记忆神经网络（LSTM）参数量较多以及在处理长时间序列时容易忽略重要时序信息的不足,提出一种结合注意力机制（attention）与门控循环单元（GRU）的Attention-GRU短期光伏发电功率预测模型。首先,基于改进相似日理论建立新的数据集;然后,利用门控循环单元提取光伏发电功率的时序特征,引入注意力机制加强对时序输入中重要信息的关注;最终构建针对不同天气类型的预测模型。仿真结果表明,提出的模型与对比模型相比,预测精度更高。     

基于tGSSA-DELM的短期光伏发电功率预测

针对目前光伏发电预测的预测耗时和预测精度不足等问题,提出了一种基于皮尔逊相关性分析、改进的麻雀算法（tGSSA）和深度极限学习机（DELM）的组合预测方法。该方法首先通过皮尔逊相关性分析方法对影响光伏出力的主要因素进行筛选,然后采用黄金正弦搜索策略、自适应t分布和动态选择策略来增强麻雀算法的全局搜索能力和局部寻优能力,最后利用tGSSA群智能优化算法对DELM中的输入权重和偏置进行寻优,在得到最优输入权重和偏置的情况下对光伏发电功率进行预测。以澳大利亚某光伏站一年数据按季节划分后进行预测研究,将本文模型与DELM,SSA-DELM,GA-DELM,ABC-DELM,WOA-DELM进行预测对比,结果表明,相比于其他算法改进模型和传统模型,tGSSA-DELM在预测精度、预测稳定性和工作效率中具有较大优势,具有更强的适用性。     

基于熵权法的光伏输出功率组合预测模型

提出基于熵权法的光伏功率组合预测模型。首先采用持续法、支持向量机法、相似数据法对光伏电站输出功率进行单一模型预测,然后使用信息熵理论的熵权法客观评价单一预测方法提供的信息量,确定各单一预测方法的组合权重,建立基于熵权法的光伏输出功率组合预测模型。通过仿真对比3种单一预测方法以及熵权法组合预测模型的预测精度。研究结果表明,基于熵权法的组合预测模型可有效识别各单一预测方法包含的信息量,确定合理的权重,提高光伏功率预测的精度。     

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。     

基于样本双重筛选的光伏发电功率预测

首先通过建立辐照度和功率之间的关系,剔除功率奇异值来完成初步筛选,其次通过计算辐照度、温度、云量等气象因素与发电功率的相关系数,选取相关系数较大的气象因素来评价历史天与预测天的相似度,提取与预测天最相似的历史天作为训练样本来完成二次筛选,最后利用BP神经网络和遗传算法进行光伏发电的功率预测,结果表明该方法具有较高的预测精度。     

基于XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率预测

为了提高光伏发电功率预测精度,建立了基于ICEEMDAN-DTW和ISMA-WLSSVM的光伏发电功率超短期组合预测模型。首先,根据Pearson相关性分析,确定光辐照度、环境温度以及湿度为光伏发电功率的关键气象影响因素,继而使用改进的自适应白噪声完备集成经验模态分解(Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN)对历史光伏功率和气象因素进行分解,降低其复杂度和随机波动性,并利用动态时间弯曲(Dynamic Time Warping, DTW)算法确定每个光伏功率子序列的输入特征向量。其次,对最小二乘支持向量机(Least Squares Support Vector Machine, LSSVM)在建模过程中的误差进行权重分配,得到加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine, WLSSVM),其解决了LSSVM模型鲁棒性低的缺陷。最后,通过改进黏菌算法(Improve Slime Moul...     

基于地基云图分析的光伏功率预测系统设计

光伏发电具有波动性和间歇性,直接导致输出功率的波动,从而给光伏电站输出功率预测带来巨大困难。传统的基于物理和统计模型,结合数值天气预报的光伏功率预测技术在遇到因云遮挡而导致光伏功率骤然下降的情况下,预测结果具有滞后性。文章在研究基于地基云图观测图像数据在线采集分析方法的基础上,通过云团识别、云遮挡预测、畸变校正与投影变换以及与光电转换模型、云强迫分析模型集成等关键技术环节,提出基于云图图像分析光伏电站输出功率预测系统的设计方法,理论分析和数据分析证明该方法对1h内或2~4h的光伏短期功率预测可以获得理想的精度,并具有广泛的适用性。