基于熵关联数据挖掘的MPSO-Elman风电功率预测

为进一步提高风电功率预测计算效率及准确性,建立基于熵关联数据挖掘的MPSO-Elman风电功率预测模型:在分析信息熵与互信息的熵相关系数(ECC)后,对各个历史日数据样本和待测时段参考样本间的复杂非线性映射关系进行量化评估,经过高关联度样本筛选,Elman模型隐含层结构优化以及权值初值选取改进,最后采用改进粒子群算法(MPSO)对网络参数进一步优化,并以某风电场实测数据为依据进行实例分析。结果表明,该模型使得功率预测准确度达到91.24%,预测效果要优于RBF-BP模型,证明了该模型的先进性与有效性。     

基于样本扩张灰色关联分析的光伏出力预测

光伏出力准确预测是光伏并网安全运行的重要基础,样本容量增大、计及多影响因素能有效提高光伏出力预测精度。以小时段为单位建立一种基于样本扩张灰色关联分析的光伏发电短期出力预测模型,扩张有限的样本容量,能分析多因素影响。首先分析影响光伏出力的多种因素,通过灰色关联度分析的方法对样本进行分析,得到扩张最优相似小时段样本;通过遗传算法对BP神经网络的权值和阈值进行优化,并对神经网络进行训练;最后进行光伏出力预测。该文所建立的预测模型有效扩张了样本容量,提高了突变天气时预测准确度,有一定应用价值。     

基于多源数据的自适应电力负荷预测方法

为满足电力规划部门的实际需求,并充分利用海量开源数据,提出一种基于开源大数据,自主整理数据并自适应选择预测模型的电力负荷预测方法,该方法通过收集海量数据并归类,筛选得到多个与负荷预测强相关的数据源,并提出自适应负荷预测模型,该模型应用灰色预测函数、弹性系数预测函数、人均用电量预测函数、人工神经网络预测函数等多种数学方法,且可以根据数据来源进行相应拓展,并采用四种评价指标对多源预测结果进行修正。实例应用结果表明,该方法可以提高预测精度,工程实用价值较大。     

聚类分析在光伏发电量预测中的应用研究

为了从光伏发电历年数据中筛选出有效样本,并提高光伏发电量预测模型的准确率,文章将聚类分析应用于光伏领域,并结合神经网络建立了光伏发电量预测模型。以晴天、多云和雨天3种天气类型为目标,利用聚类分析对历史数据中的异常样本进行筛选,并将筛选后的样本作为训练数据建立了反向传播(BP)神经网络预测模型。通过对比筛选前后预测模型的计算结果可知,利用聚类分析筛选后的数据所建立起来的预测模型精度较高,因此,聚类分析和BP神经网络相结合是提高光伏发电量预测精度的一种有效方法。     

基于BP神经网络的输油管道能耗预测方法

为准确预测输油管道运行过程中的能源消耗,通过分析输油管道运行报表,确定评价输油生产过程中的主要能耗指标,利用BP神经网络,建立了输油管道能耗预测模型。用某输油管道运行能耗数据做样本,对所建立的能耗预测模型进行训练与测试。预测结果表明,该模型能准确地预测输油管道的能耗,预测平均相对偏差不超过4％。该方法为输油管道能耗预测提供了一种新思路,有较高的使用价值。     

联合模糊聚类和多样本SSO优化SVR的配电通信网络流

针对电力通信网络流量预测问题,提出了一种联合模糊聚类和多样本群居蜘蛛优化（social spider optimization,SSO）SVR的配电网络流量预测方案。针对配电网络流量时序非线性、周期性特点,首先采用自适应模糊聚类方法（adaptive fuzzy C-means clustering）对流量样本数据进行预处理,实现了样本数据聚类自动划分,有效降低了流量数据短相关性对预测精度的影响;然后利用多样本SSO优化算法（multi-sample social spider optimization algorithm）对SVR预测模型参数进行优化,通过引入多样本、网格迭代进化策略,从而得到不同流量数据聚类对应的最佳SVR参数组合;最后,运用多样本SSO优化SVR模型对预测数据进行预测分析。仿真结果表明,同ARIMA、神经网络等配电网路流量预测模型相比,提出的预测方案预测精度提高了18.8%~34.1%。     

大数据驱动的我国新能源汽车需求分析

文章基于网络搜索大数据,以新能源汽车为例,结合统计学和计量经济学理论与方法,利用斯皮尔曼相关系数、协整检验和格兰杰因果关系,检验分析了搜索指数与新能源汽车实际需求之间的关系。以新能源汽车历史销量作为单一变量建立自回归滑动平均模型(ARMA),并与加入了搜索指数的向量自回归模型(VAR)进行比较。结果表明,加入搜索指数的预测模型相较传统的预测模型,在样本期内和样本期外的预测精度分别提高了11.69%和14.95%。该模型只需利用前4个月的新能源汽车销售数据和网络搜索大数据,就能够准确地预测下一个月的需求,在提高预测时效性的同时,也为个人、企业和政府决策提供可靠的依据。     

基于SOM聚类和ECA的超短期光伏预测组合模型研究

为提高不同天气类型下光伏输出功率的预测精度,提出了一种基于注意力机制的超短期光伏预测组合模型。首先,通过皮尔逊相关系数分析,选取与光伏发电功率密切相关的关键气象因子,并对其进行逐月标准化,然后加权求和计算得到分类指标天气条件因子(Sky Condition Factor, SCF),以降低输入变量的维度,并消除季节对天气分类的干扰和众多气象因子之间的耦合关系。其次,通过自组织映射神经网络(Self Organizing Map, SOM)对SCF进行无监督聚类,划分出3种天气类型。然后,在3种天气类型下分别构建卷积神经网络(Convolutional Neural Network, CNN)预测模型,并引入高效通道注意力模块（Efficient Channel Attention, ECA）,自适应地为特征信息的多重通道分配相应的权重,使模型集中于重要的特征信息,提高模型的预测精度。采用历史实测数据进行仿真,结果表明：与〖JP2〗未引入ECA模块的预测模型相比,所提预测模型在3种天气类型下的预测准确度分别提高了1.006 1%,〖JP〗1.626 1%和1.610 4%,验证了该模型的有效性。     

基于相似样本及PCA的光伏输出功率预测

针对光伏输出功率预测问题,提出相似样本及PCA相结合的光伏输出功率预测模型。通过对光伏发电系统历史发电量数据和气象数据相关性分析,根据辐照度具有时间周期性和邻近相似性的特性选取参考样本,求取预测日与参考样本辐照度的欧氏距离并确定相似样本,采用PCA对相似样本提取主成分作为神经网络的输入,简化网络结构。仿真结果表明,相似样本算法可以有效地对不同天气类型的光伏输出功率进行预测,基于PCA的神经网络模型可进一步提高预测精度、泛化性能更好。     

基于MAC-WD-CNN-MCNN模型的超短期负荷预测

为了充分挖掘电力负荷数据中的有效信息、提高超短期负荷预测精度,提出一种基于多重聚类分析(MAC)、小波分解(WD)、卷积神经网络(CNN)和多路卷积神经网络(MCNN)的超短期负荷预测模型MACWD-CNN-MCNN。通过MAC方法筛选训练集样本,并采用WD算法对负荷进行频段分解,提取负荷细节特征,然后提出了MCNN网络结构,采用CNN网络和MCNN网络分别预测高低频负荷信号,最后通过小波重构输出负荷预测值。试验仿真结果表明,与CNN-GRU模型和MAC-WD-CNN-GRU模型相比,所提超短期负荷预测模型的RRMSE、MMAE、ssMAPE均更小,具有更高的预测精度。     

基于风电机组状态的超短期海上风电功率预测

提出一种基于风电机组状态的超短期海上风电功率预测模型。首先,综合考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型,以长短期记忆神经网络的预测误差作为监测指标的动态劣化度;然后采用模糊综合评价法对风电机组的运行状态进行评估,依据评估结果对风电机组历史运行数据进行划分;最后根据分类后历史运行数据建立基于机组状态的超短期风电功率预测模型。结合国内某海上风电场实例数据进行分析,算例结果表明所提方法可有效提高风电功率预测精度。     

自适应粒子群支持向量机风速组合预测模型

提出一种优化的支持向量机风速组合预测模型,首先通过模糊层次分析法对参与组合的单项预测模型进行遴选,在当前风速样本集下自适应决策预测效果较优的单项预测模型的输出值作为支持向量机的输入,将实际风电场风速值作为支持向量机的输出,并采用粒子群算法优化支持向量机组合模型的参数。基于实际运营的风电场数据进行仿真分析,自适应遴选出BP神经网络、RBF神经网络、小波神经网络和遗传算法优化BP神经网络这4种单项预测模型参与支持向量机组合,结果表明所提方法的预测精度不仅高于单项模型,且高于线性组合预测模型和神经网络组合预测模型。     

基于改进极限学习机ELM的光伏发电预测方法研究

提升光伏发电预测的准确性有助于电网的调度管理和经济运行,其关键在于建立高效适用的预测模型。首先采用皮尔逊（Person）相关系数法对影响光伏出力的主要因素进行筛选,确立预测模型的输入特征向量;提出了一种融合Person相关系数法与遗传算法（GA）优化的ELM混合预测模型,并对预测模型中随机生成的参数进行了优化;以某一光伏电站的历史数据为研究对象,采用GA-ELM预测模型对预处理后的数据进行训练和测试,基于模型开展了四个季节典型日的光伏发电功率预测。结果表明：混合预测模型比单一的ELM预测模型和Person相关系数与ELM混合的预测模型的预估偏差率分别降低了19.2%和4.3%,验证了本文模型具有更高的准确性和稳定性。     

基于GA-SVR的永磁同步风电机组多工况噪声预测

以永磁同步风电机组的实测数据样本为例,研究基于遗传算法的支持向量回归(GA-SVR)的噪声预测。开展了永磁同步风电机组的空载、负载及风速变化实验;对不同运行工况下的振动及噪声实测数据进行分析处理,建立了数据样本;以发电机主轴的径向与轴向、齿轮箱高速轴和低速轴径向与轴向的振动值作为输入变量,机组的噪声值作为输出变量,建立了GA-SVR预测模型;通过数据样本训练,验证了该预测模型。研究结果表明,应用GA-SVR预测模型对机组噪声进行预测,能够较精确地获得噪声波动趋势及预测值。将该模型用于风电机组的噪声预测是可行的。     

基于时间序列神经分层插值模型的光伏功率超短期多步预测

针对光伏功率预测准确性受数据质量和外部变量影响的问题,提出一种结合外生变量分析、数据质量控制以及时间序列神经分层插值（N-HiTS）模型的光伏功率超短期多步预测方法。首先,提出用于筛选外生变量的综合相关性度量（ICM）指标,并采用K近邻（KNN）算法与线性插值策略处理数据缺失问题。然后,引入NHiTS长时间序列预测模型,通过多尺度信号采样和分层插值提高模型对长时间序列数据的处理能力。最后,通过算例对所提方法与传统光伏功率预测方法进行对比分析,验证了所提方法的预测准确性。     

基于小波PLS电站锅炉NO_x自适应预测

电站锅炉机理复杂,很难建立能够用于NOx实时预测和控制的机理模型。为此,将小波分析与偏最小二乘回归(Partial Least Squares,PLS)算法相结合,提出基于小波PLS的NOx排放预测模型。该方法可较好地实现数据去噪和样本预处理,并可对输入因素进行成分提取,对因变量NOx有较好的解释能力,通过对样本自动筛选,实现预测模型的自适应更新。采用京隆电厂1#机组600 MW锅炉的实际运行数据对该算法进行了验证,将其与神经网络预测模型进行了对比,结果显示此方法预测精度更高,效果更好。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

基于BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

基于PCA-SOA-ELM的空调系统负荷预测

针对参与需求响应的空调系统负荷预测方法存在预测精度低、预测时间长等问题,提出一种基于主成分分析(principal component analysis, PCA)与海鸥优化算法(seagull optimization algorithm, SOA)优化极限学习机(extreme learning machine, ELM)空调负荷预测模型。通过PCA提取影响空调系统负荷数据的主要特征,建立空调系统ELM负荷预测模型,并采用SOA对模型参数进行迭代寻优。为了验证算法的有效性,以某办公建筑的空调负荷数据为例进行实例分析,实验结果表明：经PCA特征提取后得到包含98.00%原信息的6项主成分,SOA-ELM模型的预测结果与实际值基本吻合,其均方根误差为0.013 7,平均绝对百分比误差为0.839 2%,决定系数高达0.991 0,训练时长为3.482 s,相较于其他3种对比模型性能更优。证明了所建模型泛化性能强、预测精度高,能够有效预测空调系统需求响应时段负荷的变化情况。     

基于优化近邻传播聚类的CMN风速预测

提出一种基于快速相关性约简和近邻传播聚类的卷积记忆网络短期风速预测模型。计算各风速序列及其属性序列的相关程度信息熵,运用快速相关性滤波算法进行属性约简,以降低属性维度及删除冗余属性;针对风速属性矩阵样本,采用压缩-激励模块（squeeze-and-excitation networks,SENet）构建属性表征序列,以该序列间距为样本相似度,利用近邻传播聚类实现样本集优选重构;构建卷积记忆网络,利用其挖掘深层特征及短期预测。通过对实际风场风速进行预测,对比实测数据,结果表明,该方法在风速属性数据的优选方面具有较大优势,通过保留关联紧密的属性信息,提高了预测精度。