基于FCM和CG-DBN的光伏功率短期预测

针对光伏输出功率非线性、波动大、不稳定等特征引起光伏功率短期预测不精确的问题,本文提出了一种基于相似日聚类和利用共轭梯度法(CG)改进深度信念网络(DBN)的组合模型预测方法。首先利用FCM聚类算法将原始数据按照隶属度进行相似日聚类,随后根据类别进行CG-DBN预测模型的建模,最后利用该模型进行光伏输出功率的短期预测。本文将方案应用于浙江龙游发电站,并将预测结果与传统预测模型进行了比较。最终得出,FCM和CG-DBN组合预测模型在光伏功率短期预测中的性能优于其他模型。     

基于天气相似聚类与QRNN的短期光伏功率区间概率预测

为减少光伏发电的不确定性对电力系统造成的影响，描绘更为准确、清晰的光伏出力区间，提出一种基于天气相似聚类与分位数回归神经网络(QRNN)单调模型的短期光伏功率区间概率预测模型。首先，QRNN单调模型在预测过程中引入单调性，保证单调的分位数结果，并采用Huber范数近似替代原损失函数，弥补了传统区间预测分位数交叉及损失函数不可微的缺陷。其次，基于气象信息的数据特征，采用动态自组织映射聚类算法，通过神经元竞争与更新确定神经元邻域权重结构，并根据其邻域权重大小将天气聚类为晴天、多云天与阴天，得到相似天气下的数据集。然后，在不同天气条件下对影响光伏出力的因素进行相关性分析，得到不同天气下的天气影响特征，并作为输入因子输入神经网络中。最后，以澳大利亚沙漠知识太阳能中心实际数据集为例进行区间预测，并采用核密度估计给出概率预测结果，验证了所提方法的可靠性。     

基于MBI-PBI-ResNet的超短期光伏功率预测

为了增强光伏并网的稳定性,提高光伏发电功率预测精度,提出一种基于相似日聚类、群分解(swarm decomposition, SWD)和MBI-PBI-ResNet深度学习网络模型的光伏发电功率超短期预测方法。首先,使用快速傅里叶变换(fast fourier transform, FFT)提取太阳辐照度的期望频率,将其作为聚类特征向量,并根据此聚类特征向量采用自适应仿射传播聚类(adaptive affinity propagation clustering, AdAP)实现相似日聚类。其次,对每一类相似日分别使用群分解算法进行分解,以提取原始数据的多尺度波动规律特征。最后,利用MBI-PBI-ResNet来实现对天气环境多变量关联影响下的时序特征挖掘以及对多尺度分量的局部波形空间特征和长时间依赖时序特征的同时挖掘,并对不同类型特征进行综合集成来实现光伏发电功率超短期预测。研究结果表明：所提方法在光伏发电功率超短期预测领域相较于其他深度学习方法预测精度提高了3%以上,说明此方法在光伏发电功率超短期预测领域具有较高的预测精度和较强的泛化能力。     

基于自适应Kmeans和LSTM的短期光伏发电预测

光伏发电功率预测是可持续电力系统设计,能源转换管理和智能电网建设领域的重要主题。精准的光伏发电功率预测是电网日常调度管理与安全稳定运行的关键。本文提出了一种基于自适应Kmeans和长短期记忆(LSTM)的短期光伏发电功率预测模型。根据短期光伏发电特性,选取了预测模型的初始训练集。采用自适应Kmeans对初始训练集以及预测日的光伏发电功率进行聚类。在各类别的初始训练集数据上分别训练LSTM,结合训练完成的LSTM进行发电功率的预测。最后,考虑三种典型天气类型,采用所提方法进行仿真分析。结果表明,与其他三种方法相比,本文提出的方法的精度有了明显提升,误差更小。     

基于预估-校正综合BP神经网络的短期光伏功率预测

针对现有光伏功率预测结果精度低、无法反映功率变动范围等问题,提出考虑不确定性的短期光伏功率综合预测方法。建立基于预估-校正综合BP神经网络的光伏功率点预测模型和考虑不确定性的光伏功率区间预测模型。结合某光伏电站历史数据对所提方法的正确性和有效性进行验证,算例分析表明,基于预估-校正综合BP神经网络的光伏功率点预测模型有效提高了光伏功率预测的精准度,考虑不确定性的光伏功率区间预测模型准确反映了光伏功率的变化趋势和范围。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络...     

基于SAPSO-BP和分位数回归的光伏功率区间预测

提出了一种基于SAPSO-BP(模拟退火粒子群优化BP神经网络)和分位数回归的光伏功率区间预测方法。首先给出一种动态SAPSO-BP算法对光伏出力进行预测,该方法考虑BP的局部极小化和粒子群的早熟收敛等问题,能优化BP的参数设置,提高光伏功率的预测精度。在光伏功率确定性预测的基础上,通过分析不同天气类型下SAPSO-BP模型的预测功率误差。最后根据不确定天气因素建立分位数回归模型,实现对光伏输出功率的波动区间分析。该模型无需假设光伏预测功率误差分布,且计算方法简单,可提供在任意置信水平下,光伏预测功率的波动范围,为电力系统调度决策、运行风险评估提供更加丰富的信息。     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于气象因子权重相似日的短期光伏功率预测

基于相似日的短期功率预测是一种有效的光伏预测方法,而相似日选取的准确性直接影响预测结果的准确性。通过k均值聚类算法将天气类型聚类识别,并利用光伏功率与气象因子的相关性分析提取出主要气象因子,再根据灰色关联度分析得出不同类别中气象因子对于发电功率的权重,并给出带权重的相似度计算公式,从而获得相似日样本训练集。然后根据训练集建立遗传算法优化的RBF-BP组合神经网络模型进行预测,通过与传统的相似日选择算法进行比较,证明该模型具有更高的精度和适用性。     

基于VMD-LSTMQR的滚动母线负荷区间预测

负荷区间预测能够对负荷出力变化进行概率化分析,准确量化不确定性因素对负荷的影响。相较于传统的点预测,区间预测更能直观反映负荷变化趋势,有助于保障电力系统的安全稳定运行。基于此,文中提出一种基于变分模态分解-长短期记忆神经网络分位数回归（VMD-LSTMQR）的滚动母线负荷区间预测方法。首先,文中采用VMD将原始母线负荷分解成一系列不同频率特征的子序列;接着,确定不同子序列的最优滚动步长并采用LSTMQR分别对不同子序列进行区间预测;最后,将不同子序列的区间预测进行重构,得到原始母线负荷预测结果。文中利用220 kV和10 kV母线负荷数据验证了所采用的区间预测模型相较于传统区间预测模型在预测精度、区间宽度方面得到明显改善。     

基于GRU多步预测技术的云储能充放电策略

为解决云储能日前充放电策略预测的问题,提出了一种基于门控循环单元(GRU)多步预测技术的云储能充放电策略形成方法.首先,鉴于云储能优化需求及单用户负荷预测效果不稳定,构建用户聚类后的GRU多步预测方法预测一天的24点功率.然后分析了云储能模式下的用户和云储能提供商两个主体的交互过程,以预测为基础建立了云储能充放电决策滚动优化模型.仿真算例选取实际数据,在预测聚类用户光伏、负荷功率后,滚动优化求解实际值和预测值下的云储能充放电策略.算例通过5种场景验证了在云储能充放电策略中聚类的作用以及GRU多步预测技术的优势,并且证明云储能模式能够进一步削弱光伏、负荷预测误差的影响.     

基于VMD和GP的短期风电功率置信区间预测

传统风电点预测算法无法对风机出力的不确定性、随机性、波动性做出定量描述,提出一种基于变分模态分解(VMD)和高斯过程(GP)的区间预测方法,其意义在于能预测一定置信度下的短期风电功率波动区间。该方法利用变分模态分解算法将风功率序列分解为一系列不同带宽的模态分量以降低其非线性,对全部子模态分别建立高斯过程模型,最后叠加每个子模态预测结果得到风功率的置信区间。算例结果表明,与其他常规分解算法相比,该组合模型可以有效提高预测精度和预测区间覆盖率,减小预测区间宽度,具有一定的实用价值。     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

基于改进权值优化模型的光伏功率区间预测

区间预测方法可以反映光伏发电功率可能的变化范围，提供比点预测方法更丰富的预测信息。文章提出了一种基于径向基函数（radial basis function，RBF）神经网络的区间预测模型以直接输出光伏功率预测区间。为优化模型输出区间的性能和避免惩罚系数选择问题，构建了一种考虑区间预测偏差信息的改进预测区间优化模型，并采用粒子群算法（particle swarm optimization，PSO）求解，获得最优RBF神经网络输出权值以提高预测区间的可信度和准确性。通过对比传统区间优化模型和所提改进区间优化模型的预测结果，发现改进区间优化模型能够获得宽度更窄和预测偏差更小的光伏功率预测区间，可为调度决策提供更准确的辅助信息。     

基于光伏出力区间预测的相变储能电-热联合调度策略

分布式光伏出力具有较大不确定性。为分析其对相变储能电-热耦合系统联合调度的影响,对传统区间预测评价指标进行改进,并利用改进的区间预测模型,提出了一种分布式光伏出力波动范围评估方法。基于现有相变储能电-热联合调度模型,合理计及光伏出力波动性,制定了其电-热联合调度策略。并开展不同出力置信水平下,电-热联合调度策略作用后系统的经济性与风险评估。最后通过仿真算例,分析了光伏出力波动与系统经济性和风险性之间的影响关系,为相变储能系统的实际应用提供了参考借鉴。