基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题，提出一种基于相似日聚类的光伏功率预测组合模型。首先，采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集，并利用变分模态分解（VMD）对相似日样本进行分解；其次，采用卷积神经网络优化支持向量机（CNN-SVM）和双向长短时记忆（Bi LSTM）神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合，利用网格搜索（GS）算法寻找最优组合权重，提升组合预测模型性能；最后，以澳大利亚某光伏电站1年实测数据为例，验证所提出光伏功率预测模型的有效性。实验结果表明：无论何种天气类型，所提出模型均能很好地对光伏功率实现预测，具有较强的适应性。     

基于ICEEMDAN-MBWO-WKELM短期光伏功率预测

针对光伏发电功率随机性强、波动性大且预测精度较低等问题,提出了一种基于改进自适应白噪声完备集成经验模态分解(ICEEMDAN)和多策略改进白鲸优化算法(MBWO)优化加权核极限学习机(WKELM)预测模型。首先,根据Pearson分析确定对光伏发电功率相关性较高的气象因素,并利用Kmeans++对历史数据进行聚类得到不同天气类型的相似日集。其次,利用ICEEMDAN将原始光伏功率分解为不同频率的子序列以降低其波动性。然后,对各子序列构建WKELM预测模型,并利用MBWO优化模型的核参数和正则化系数。最后,将各子序列的预测值相加得到最终的预测结果。以国内江苏某光伏电站真实数据为例对该模型及其他模型进行算例分析,结果表明此处所提组合预测模型具有较高的预测精度。     

基于COOT-SVM的短期光伏发电功率预测

为了提高短期光伏发电功率预测的精度,提出了一种基于白冠鸡优化算法(COOT)优化支持向量机(SVM)的短期光伏发电功率预测模型。首先,分别选取某光伏电站在2017年4月和7月的前21天数据进行仿真分析,计算光伏输出功率和每一个气象因素之间的皮尔逊相关系数;然后,依据皮尔逊相关系数选择太阳总辐射强度、太阳散射辐射强度、太阳直射辐射强度、组件温度和环境温度5个气象因素作为预测模型的输入数据,光伏电站的发电功率作为输出数据。通过与BP和SVM预测模型进行仿真对比可知,对于4月和7月的数据来说,COOT-SVM预测模型的均方根误差、均方误差和平均绝对误差均比BP和SVM预测模型小。因此,所提COOT-SVM预测模型可有效提高短期光伏发电功率的预测精度,具有较高的工程应用价值。     

基于相似日理论和CSO-WGPR的短期光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种结合纵横交叉算法与改进的高斯过程回归算法(crisscross optimization algorithm and weighted Gaussian process regression,CSO-WGPR)的预测模型。首先,通过加权模糊聚类对天气类型进行划分,选出与预测日相同类型的相似日样本;其次,采用单类支持向量机(One-Class supportvectormachine,One-ClassSVM)算法结合传统高斯过程回归算法,建立改进后的高斯过程回归模型(weighted Gaussianprocess regression,WGPR),减小异常值数据对预测结果的不良影响;然后,采用纵横交叉算法(crisscross optimization algorithm,CSO)优化WGPR的超参数,进一步提高模型的预测精度。以澳洲爱丽丝泉光伏系统为例进行建模预测,真实数据仿真和实验结果表明,所提预测模型在晴天、阴天、雨天类型下具有更高的预测精度,验证了该方法的有效性。     

基于EEMD-Kmeans-ALO-LSTM的短期光伏功率预测

光伏功率预测对电网调度具有重要意义。针对光伏功率数据具有较强波动性和不稳定性的特点,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)、K均值聚类算法(Kmeans clustering algorithm, Kmeans)和蚁狮优化(ant lion optimization, ALO)算法优化的长短期记忆神经网络(long short-term memory network, LSTM)的光伏功率组合预测模型。对光伏功率数据进行EEMD分解,得到相应的本征模态分量(intrinsic mode function,IMF)和残差项;引入Kmeans聚类对分解后的序列重构,降低序列复杂度和分量数量;将重构后的子序列输入经ALO优化的LSTM模型进行预测,并将各序列预测结果简单加和作为最终预测值。与目前应用较广泛的EEMD-LSTM模型对比,表明EEMD-Kmeans-LSTM和EEMD-Kmeans-ALO-LSTM模型的预测精度均得到一定程度的提高。     

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CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

基于VMD-ISSA-KELM的短期光伏发电功率预测

针对光伏发电功率存在随机性和波动性较强、预测精度较低的问题,提出了一种基于变分模态分解(variationalmodedecomposition, VMD)和改进松鼠觅食算法优化核极限学习机(improvedsquirrelsearchalgorithm optimization kernel extreme learning machine, ISSA-KELM)的预测模型。首先,利用高斯混合模型(Gaussian mixture model, GMM)将光伏发电功率数据进行聚类,得到不同天气类型下的相似日样本。其次,利用VMD对原始光伏发电功率序列进行平稳化处理,得到若干个规律性较强的子序列。然后,对不同子序列构建KELM预测模型,并使用ISSA优化KELM的核参数和正则化系数。最后,将不同子序列的预测值进行重构,得到最终预测结果。结合实际算例,结果表明：所提出的VMD-ISSA-KELM模型在不同天气条件下均能得到满意的预测精度,且明显优于其他模型,验证了其有效性和优越性。     

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VMD-GWO-ELMAN的光伏功率短期预测方法

以进一步提高光伏输出功率短期预测的准确性和可靠性为目标,针对传统Elman神经网络权值和阈值盲目随机的缺点以及光伏输出功率信号波动性和非平稳性的特点,提出一种基于变分模态分解（VMD）和灰狼优化算法（GWO）优化Elman神经网络的光伏输出功率短期预测模型。首先,使用K-means算法对原始数据按天气类型进行聚类;然后,使用VMD对每一类型天气光伏输出功率数据进行分解,分别将各分解子序列输入经GWO优化的Elman神经网络进行光伏输出功率预测;最后,将各预测结果进行叠加。实例证明：该模型的预测精度有所提升。     

微电网光伏发电的Adaboost天气聚类超短期预测方法

微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。     

基于VMD和双重注意力机制LSTM的短期光伏功率预测

提出了一种基于变分模态分解(VMD)和双重注意力机制长短期记忆(LSTM)的短期光伏功率预测方法。针对光伏功率信号的波动性和非平稳性,利用VMD将光伏功率输出分解为不同频率的分量,使用LSTM对各分量进行预测,并在LSTM基础上引入特征和时序双重注意力机制。为自主挖掘光伏功率输出与各气象特征之间的关联关系,避免传统方法依赖于专家经验关联规则阈值的限制,引入特征注意力机制实时计算各气象特征量的贡献率,并对特征权重进行修正;同时,为挖掘当前时刻光伏功率输出与历史时序信息之间的关联关系,引入时序注意力机制自主提取历史关键时刻点信息,提高长时间序列预测效果的稳定性。基于中国西南某实际光伏发电站数据进行预测实验,并与其他方法进行对比,验证了该方法的有效性。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

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。     

考虑用电行为分析的电力用户用电预测研究

挖掘电力用户用电特征,有助于提高负荷预测精度,从而为制定合理的电力系统经济调度策略提供理论依据。针对传统的模糊C均值(fuzzy c-means algorithm, FCM)聚类算法的聚类数需要人工试凑的问题,提出了自适应FCM方法,以达到自动调整参数获得最佳聚类数的目的。针对核极限学习机(kernel extreme learning mechine, KELM)求逆过程计算量大的问题,采用cholesky分解法求解KELM的输出权值,降低了计算时间。采用自适应FCM对电力用户进行聚类,然后对每类用户采用改进的KELM算法进行负荷预测。实验结果表明,相同预测方法下,基于聚类的负荷预测精度高于不聚类时的负荷预测;实验结果验证了所提聚类方法与用户实际用电行为相符,具有准确性;相比于传统的KELM算法,改进KELM算法耗时更少精度更高。     

基于贝叶斯优化的VMD-GRU短期风电功率预测

为提高风电功率预测精度,提出了一种基于贝叶斯优化的变分模态分解(variationalmodedecomposition,VMD)和门控循环单元(gatedrecurrentunit, GRU)相结合的风电功率预测方法。首先使用VMD算法对风电功率序列进行分解,并根据排列熵(permutation entropy, PE)的大小来确定序列分解的最佳模态数。然后将分解后得到的子序列分量与关键气象变量数据结合构成模型输入特征。使用GRU网络对各个子序列分量分别进行预测,并将各个子序列分量的预测结果进行重构得到风电功率预测结果。最后采用贝叶斯优化方法对各个子序列预测模型的网络初始超参数进行优化。采用某风电场的风电数据对所提模型进行验证,并与其他6种模型进行性能对比。结果表明,基于贝叶斯优化的VMD-GRU预测模型明显优于其他模型,具有较好的泛化能力,能够有效提高风电功率预测精度。     

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。