基于云图特征的超短期光伏发电功率预测模型

云团运动的不确定性使得光伏系统输出功率较难准确估计,从而影响新能源并网的可靠性和经济性。为了有效利用卫星的云观测数据,提出了基于云图特征的超短期光伏发电功率预测模型。利用卷积神经网络对卫星云图进行特征提取,且和通过相关性分析后的4种气象特征进行融合,作为光伏发电功率预测模型输入。在此基础上,通过卷积神经网络解析这些特征之间的空间联系,并使用长短期记忆网络实现对光伏输出功率的时间序列预测。此外,考虑到一个自然日中不同时段数据对预测影响不同,引入多头注意力机制来确定关键时间点与关键特征,由此进一步提高所提模型精度。使用光伏电站实际数据以及对应的卫星云图和天气数据,对所提模型的预测效果进行验证。算例分析结果表明,该模型预测精度高且时效性好,特别对于正午辐照较大以及云团运动波动剧烈的时段,模型仍能保证较高的预测精度。     

基于密度峰值层次聚类的短期光伏功率预测模型EI北大核心CSCD

针对传统聚类算法不易选取初始聚类中心、对噪声值较敏感、收敛速度慢及易陷入局部最优等问题,提出一种基于密度峰值的层次聚类算法对天气类型进行聚类。首先确定气象数据的密度峰值参数,采用分层聚类算法将气象数据划分为不同类别,然后利用支持向量机(SVM)对未知天气类型进行识别,最终采用径向基(RBF)神经网络建立光伏发电短期功率预测模型。仿真结果表明,该方法能有效提高气象类型的分类精度、加快寻优速度,提高离群样本点分离的鲁棒性,证明了其在小样本的情况下具有较高的精度,且在天气波动较大时仍能较好地实现功率值的预测。     

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型.通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律.实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度.     

基于相似日和WNN的光伏发电功率超短期预测模型

光伏发电功率预测对提高并网后电网的稳定性及安全性具有重要意义。文章提出一种基于相似日和小波神经网络(WNN)的光伏功率超短期预测方法。首先利用光伏发电系统的历史气象信息建立气象特征向量,通过计算灰色关联度寻找到合适的相似历史日。再根据自相关性分析法找出与预测时刻功率相关性最大的几个历史时刻功率,结合历史时刻的温度,辐照度,风速等光伏出力的主要天气影响因素科学合理的确定模型输入因子。最后使用小波神经网络(WNN)创建预测模型,通过相似历史日数据作为训练样本训练小波网络,而后对预测日的出力情况进行逐时刻预测。实例分析表明,该方法具有较高的预测精度,为解决光伏发电系统超短期功率预测提供了一种可行路径。     

基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测

为进一步提升光伏输出功率短期预测的准确性和稳定性,提出一种基于相似日聚类的小波神经网络(wavelet neural network,WNN)和AdaBoost的混合预测模型.首先利用模糊C均值聚类(fuzzy C-means algorithm,FCM)算法将初始数据集按照不同的季节和天气类型进行划分;其次选用WNN...     

基于改进麻雀搜索算法优化支持向量机的短期光伏发电功率预测

为了提高光伏发电功率预测的可靠性与准确率,提出一种基于改进麻雀搜索算法（tSSA）优化支持向量机（SVM）的短期光伏发电功率预测模型。首先采用自适应t分布增强麻雀搜索算法的种群多样性,然后利用tSSA针对SVM中的惩罚参数和核函数参数进行优化,在得到最优惩罚参数和核函数参数的情况下对光伏发电功率进行预测。对澳大利亚某光伏电站一年内的数据分析发现,每个季节的光伏发电功率有明显的不同。为此,充分考虑外界环境参数如辐照度、湿度、温度、风速和风向的影响,基于tSSA-SVM模型对不同季节的某一天做光伏发电功率预测。仿真结果表明,该模型具有较高的预测精度,特别是对秋、冬季节的光伏发电功率预测更为准确,具有较高的实用价值。     

基于强化学习和组合式深度学习模型的超短期光伏功率预测

超短期光伏功率预测对光伏并网系统的安全运行有着重要意义.针对传统单一预测模型在进行光伏功率预测时受到功率随机波动性的影响导致预测精度往往不理想的问题,提出了组合式深度学习预测模型.首先,采用小波包分解对原始光伏功率序列进行分解,初步降低了原始光伏功率的非稳定性.其次,在此基础上分别采用长短时记忆网络、门控循环单元与循环...     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

基于混沌CSO-WNN-RBF的光伏功率超短期组合预测

针对现有的光伏功率超短期预测方法难以得到所需复杂的气象数据,且光伏时间序列具有混沌特性,将小波去噪后的光伏电站的历史功率数据利用C-C法挖掘数据自身所包含的各影响因子.利用鸡群算法(CSO)对小波神经网络(WNN)的初值进行寻优,来提升WNN的预测性能.由于径向基函数(RBF)神经网络预测模型处理非线性输入输出关系具有...     

基于NMF-SVM的光伏系统发电功率短期预测模型

根据光伏发电系统的历史发电数据和气象数据,考虑天气类型、日照强度和大气温度及风速等因素,提出一种基于非负矩阵分解(nonnegative matrix factorization,NMF)和支持向量机(support vector machine,SVM)的光伏系统发电功率短期预测模型。基于差异性和相关性原理,同时考虑相似日选择算法,通过NMF算法对由相似日组成的输入样本进行分解,得到非负的低维映射矩阵,将其作为支持向量机的输入,预测光伏系统的发电功率。该模型在消除冗余信息、减少变量维数的同时,保留了原始问题的实际意义。实例表明,该方法降维效果明显,预测精度得到显著的提高。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集...     

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Wide&Deep-XGB2LSTM模型的超短期光伏功率预测

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型.对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合...     

基于LSTM光伏发电功率超短期预测模型研究

精准地预测光伏发电功率有利于保证电网的稳定运行。采集了江苏常熟某75 MW光伏电站和山西大同某100MW电站数据,利用相关系数法对影响光伏电站输出功率的因素进行分析。搭建了长短期记忆神经网络(LSTM)功率预测模型,对两个电站的输出功率进行预测。为验证LSTM模型和同一算法下不同电站的功率预测精度,使用循环神经网络(RNN)算法和前馈神经网络(BP)算法搭建预测模型,并与LSTM算法进行对比分析,通过模型评价指标平均绝对误差(MAE)、均方根误差(RMSE)及决定系数R²,对三种模型之间的误差值进行比较,结果表明采用LSTM算法预测模型精度更高,且不同电站采用同一网络模型时,电站输出功率和气象数据的相关系数值越大,模型的功率预测值更加贴近实际值。     

基于WGAN-GP和CNN-LSTM-Attention的短期光伏功率预测

针对非晴天天气类型历史数据量匮乏导致光伏功率预测精度低的问题,提出了一种含有梯度惩罚的改进生成对抗网络(Wasserstein generative adversarial network with gradient penalty, WGAN-GP)和CNN-LSTM-Attention光伏功率短期预测模型。首先,利用K-means++聚类算法将历史光伏数据划分为若干天气类型,使用WGAN-GP生成符合各天气类型数据分布规律的高质量新样本,实现训练集数据增强。其次,结合卷积神经网络(convolutional neural network, CNN)在特征提取上的优势和长短期记忆网络(long short-term memory, LSTM)在时间序列预测上的优势,提升预测模型学习光伏功率与气象数据间长期映射关系的能力。此外,引入注意力机制(Attention)弥补输入序列长时LSTM难以保留关键信息的不足。实验结果表明：基于WGAN-GP对各类型天气样本扩充能有效提高预测精度;与3种经典预测模型相比,所提出的CNN-LSTM-Attention模型具有更高的预测精度。     

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MA-SVM方法的短期光伏功率预测

光伏发电的功率波动性大,其准确预测对于大规模的光伏发电并网具有重要意义。利用相关性分析法与时间序列方法选取并预测了某电站所在区域的气象数据,得到光伏发电现场更为准确的气象信息预测值。利用主成分分析方法对气象数据降维,得到几种关键影响因子,最终利用改进的支持向量机(SVM)算法对多变量特征序列与光伏功率的关系建模。在验证试验中,使用训练后的支持向量机模型完成预测,并且对预测误差的产生进行了分析。通过与神经网络算法等各种算法的预测效果进行对比,MA-SVM方法的误差相对较小,证明了预测的有效性。     

基于相似日理论和LCSSA-BP的短期光伏发电功率预测

准确预测光伏发电功率是保障含分布式电网平稳运行的关键环节。为提升反向传播神经网络（BPNN）功率预测精度,提出一种基于Logistic混沌映射的麻雀搜索算法（LCSSA）以改进BPNN的预测模型。利用相关性分析确定光伏发电功率的影响因素,并引入与天气类型密切相关的晴空指数作为选取相似日的气象因素;利用欧氏距离和马氏距离组合加权法选取训练集;建立LCSSA-BPNN功率预测模型,利用实测数据对比分析所提LCSSA-BPNN模型与SSA-BPNN、BPNN模型的预测精度。结果表明：在晴天、阴天、雨天3种情况下,LCSSA-BPNN模型预测值的平均相对误差率分别为9.52%、10.52%和11.56%,均优于其他对比模型,说明LCSSA-BPNN预测模型具有更好的适应性和预测性能。     

基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。