高速公路气象数据融合滤波与短时雨雾预测

高速公路路域内雨雾气象数据呈现多源、异构特性,对其进行短时精准预测存在很大难度;针对该问题,在利用联合概率法求得数据之间联合概率的基础上构建异构数据融合模型,并将该融合模型与卡尔曼滤波方法相结合,建立面向多源异构气象数据的协同融合滤波模型;在此基础上,利用贝叶斯最大熵方法,结合雨雾经验理论、融合滤波后的数据以及原始雨雾数据,实现了对高速公路目标路段雨雾天气的短时精准预测;实验结果表明,该方法能够为用户提供精准、稳定的高速公路短时雨雾气象预测结果,对减少交通事故,合理进行交通管制具有重要意义。     

基于支持向量机的单日多类型天气短期光伏功率预测

提出一种基于支持向量机的单日多类型天气短期光伏功率预测方法,对每个气象天气点气象类型进行判别分析,细化分类天气模型,利用分类天气模型训练数据并预测未来气象要素值,并对天气转换点修正,利用时间连续性与历史连续性修正结果.最后利用专家数据库映射数据进行气象功率预测.实验结果表明,改进后的模型可以有效改善预测效果.     

基于模糊神经网络的短时交通流预测方法研究

为满足交通控制和诱导系统的实时性需求,减少交通拥挤状况,降低交通事故突发频率,需要对短时交通流进行预测;当前的短时交通流预测方法是采用K-近邻的非参数回归对其进行预测,预测过程中没有将预测模型中关键因素对交通流的影响进行详细的说明,导致预测结果不准确,存在短时交通流预测误差较大的问题;为此,提出一种基于模糊神经网络的短时交通流预测方法;该方法首先以历史短时交通流数据样本序列为基础,将提取的关联维数作为短时交通流的混沌特征量,然后以该特征量为依据,对短时交通流数据进行聚类,使相同的短时交通流聚合类样本比不同的交通流聚合类样本更为贴近,采用高斯过程回归对短时交通流预测模型进行建设,建设过程中利用差分方法对短时交通流预测序列进行平稳化操作之后,对短时交通流预测模型进行训练,将GPR模型引入至短时交通流预测过程中,得到交通流预测方差估计值,并确定交通流预测值置信区间,由此实现短时交通流的预测;由此实现短时交通流的预测;实验结果证明,所提方法可以准确地预测交通运输系统的实时状况,为车辆行驶的最佳路线进行了有效引导,减少了自然影响方面和人为因素对短时交通流预测结果的干扰,为交通部门对交通路况的控制管理提供了依据。     

基于多层小波分解的日前太阳辐照度预测研究

由于太阳辐照度的随机波动特性,大型光伏发电并网会给电力系统的运行带来极大困难,光伏发电功率的预测是解决此问题的关键措施之一.提出了一种基于多层小波分解的太阳辐照度预测方法,首先,根据天气状态将每日的辐照度曲线划分为不同的波动模式;然后针对不同天气下的波动模式分别建立预测模型,使用多层小波分解后的数据预测第二天连续24小时的辐照度值;最后建立基于数据驱动的融合模型,将不同天气模式下的辐照度多层小波分解预测值进行融合,以获得最终的辐照度预测结果.仿真结果表明辐照度预测结果精度与小波分解层数和天气模式高度相关,且所提算法能够有效提高短期辐照度预测精度.     

融合时空特征的光伏气象因子预测模型

光伏发电极易受到天气的影响而具有波动性和不确定性,因此对气象因子的准确预测对光伏电站的运维具有重要意义。提出了一种基于深度学习的时空特征融合模型,实现对光伏气象因子的精准预测。在时间维度上,设计了一种改进的长短期记忆模块,融合注意力机制和遗传算法,得到最优注意力参数以提高预测精度;在空间维度上,将光伏电站所在区域按照经纬度划分,利用张量分解对区域内气象因子进行预测。在中国东南部某光伏系统的真实数据集上,对该模型的有效性进行了评估。结果表明,该模型在时间维度和空间维度均具有较高预测精度,同时对稀疏数据有较强的鲁棒性。     

基于CNN-XGBoost的短时交通流预测

为准确预测短时交通流,缓解交通拥堵提高交通运行效率,提出一种基于CNN-XGBoost的短时交通流预测方法。结合短时交通流数据的时间相关性和空间相关性,将本路段和邻近路段的历史数据一同作为输入进行预测。利用卷积神经网络(convolutional neural networks,CNN)实现特征提取以减少数据冗余性,提出一种参数经果蝇算法优化的XGBoost模型用于交通流量预测。实例验证结果表明,CNN可对时间和空间结合下的交通流数据进行有效特征提取;相比SVR、LSTM等模型,改进的XGBoost模型下的交通流量预测误差明显减小。     

基于LSTM网络的太阳辐照度预测

由于太阳辐照强度和其他气象因素的不确定性,导致光伏输出功率具有明显的随机性和波动性对电网安全稳定运行有重大隐患。光伏输出功率主要受太阳辐照度的影响,准确的太阳辐照度预测是光伏功率预测的关键步骤。针对高波动的太阳辐照度预测问题,文中提出一种长短期记忆网络（Long Short-Term Memory,LSTM）的方法预测太阳辐照度,LSTM网络由于其循环的结构和存储单元,可以对太阳辐照度的时间变化进行建模,与以往使用人工特征提取的方法不同,LSTM网络可以针对序列数据提取其隐含信息进行太阳辐照度预测。文中比较研究了不同网络结构对预测结果的影响,还通过与其他预测方法相比,进一步验证了该模型对太阳辐照度预测的有效性。     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

结合深度学习的短时车流量预测优化方法

随着交通流检测技术的发展,海量的交通流信息可以更容易高效地获取,针对短时车流量预测的准确性要求,提出了一种结合深度学习的短时车流量预测优化方法,采用神经网络Long Short-Term Memory算法,用多因素分析的思想对数据进行处理。通过对短时交通流数据进行多因素分析,如天气因素、节假日等,将短时交通流数据划分为多种数据集,将划分的不同数据集作为训练集去预测与训练集因素相同的未来时刻车流量情况。通过这种方法,使得获取的数据更为纯净,有效解决了多种因素对车流量预测影响问题。结果表明,该优化方法克服了车流量数据集影响因素不单一的缺点,能够更为准确地反映道路交通流的变化特征。     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

Gaussian Kernel Based SVR Model for Short-Term Photovoltaic MPP Power Prediction

Predicting the power obtained at the output of the photovoltaic (PV) system is fundamental for the optimum use of the PV system. However, it varies at different times of the day depending on intermittent and nonlinear environmental conditions including solar irradiation, temperature and the wind speed, Short-term power prediction is vital in PV systems to reconcile generation and demand in terms of the cost and capacity of the reserve. In this study, a Gaussian kernel based Support Vector Regression (SVR) prediction model using multiple input variables is proposed for estimating the maximum power obtained from using perturb observation method in the different irradiation and the different temperatures for a short-term in the DC-DC boost converter at the PV system. The performance of the kernel-based prediction model depends on the availability of a suitable kernel function that matches the learning objective, since an unsuitable kernel function or hyper parameter tuning results in significantly poor performance. In this study for the first time in the literature both maximum power is obtained at maximum power point and short-term maximum power estimation is made. While evaluating the performance of the suggested model, the PV power data simulated at variable irradiations and variable temperatures for one day in the PV system simulated in MATLAB were used. The maximum power obtained from the simulated system at maximum irradiance was 852.6 W. The accuracy and the performance evaluation of suggested forecasting model were identified utilizing the computing error statistics such as root mean square error (RMSE) and mean square error (MSE) values. MSE and RMSE rates which obtained were 4.5566 * 10⁻⁰⁴ and 0.0213 using ANN model. MSE and RMSE rates which obtained were 13.0000 * 10⁻⁰⁴ and 0.0362 using SWD-FFNN model. Using SVR model, 1.1548 * 10⁻⁰⁵ MSE and 0.0034 RMSE rates were obtained. In the short-term maximum power prediction, SVR gave higher prediction performance according to ANN and SWD-FFNN.     

结合HS算法与ESN算法的光伏发电短期出力预测

为提高光伏发电系统短期出力预测的精度,提出了一种和声搜索(Harmony Search,HS)算法与回声状态网络(Echo State Network,ESN)算法相结合的预测模型。该模型以光伏电站的历史发电量数据和气象数据为基础。首先通过相似日选择算法挑选出预测日的相似日,将相似日的气象特征向量和预测日的气象特征向量的差值作为预测模型的输入变量;然后选择训练样本,并用和声搜索算法优化后的回声状态网络模型(HS-ESN)对样本进行训练和预测;最后以甘肃某光伏电站为例进行实例验证。实证分析表明,利用和声搜索算法优化回声状态网络预测模型的储备池参数可有效提高回声状态网络的预测精度,因此该模型具有较好的实用价值。     

基于气象因素充分挖掘的BiLSTM光伏发电短期功率预测

传统光伏发电功率预测存在因气象因素特征提取不综合不精确而导致预测精度不高的问题. 为了充分挖掘气象因素对光伏出力的影响, 并有效利用深度学习技术在非线性拟合方面的优势, 本文提出了一种基于气象因素充分挖掘的双向长短期记忆(Bi-directional Long Short Term Memory, BiLSTM)网络光伏发电短期功率预测方法. 在对原始数据进行异常值及标准化处理的基础上, 采用K近邻算法(K-Nearest Neighbor, KNN)在外界温度、湿度、压强等诸多气象因素中充分挖掘影响光伏出力的关键因素, 重构多元数据序列, 并在探索输入层时间步长、模型层数及每层维数等超参数的合理设置方案的基础上, 构建BiLSTM网络模型, 实现光伏发电短期功率的高精度预测. 仿真结果表明, 与KNN、深度信念网络(DBN)、BiLSTM、PCA-LSTM等经典方法比较, 所提KNN-BiLSTM方法具有更高的预测精度.     

基于随机森林的短期电量负荷精准预测方法

可再生能源并入电网后,电能供给量增加,短期电量负荷情况难以预测,无法制定准确的电能分配策略,由此,提出基于随机森林的短期电量负荷精准预测方法研究。深入分析短期电量负荷预测影响因素（气象、时间、电价与随机干扰因素）,选取适当的模型输入变量（历史电量负荷数据、温度数据与日类型）,结合随机森林算法构建短期电量负荷预测模型,并重复确定相似日的选取规则,采用粒子群优化算法寻找预测模型参数最佳值,将样本集输入至模型中,获得精准的短期电量负荷预测结果。实验数据显示:当输入变量数量达到一定值后,应用提出方法获得的短期电量负荷预测时延稳定在0.55s左右,短期电量负荷预测误差几乎为0,充分证实了提出方法应用性能较佳。     

基于气象数据可视化降维和多模加权组合的短期负荷预测

针对短期负荷预测中数据预处理的必要性和单一预测模型的局限性,提出了一种基于气象数据可视化降维和多模加权组合的短期负荷预测方法。该方法将可视化降维、模态分解降噪、单一预测模型和权重确定理论相结合,构建了气象数据降维、历史负荷分解、模态分量降噪和多模加权组合的短期负荷预测模型。通过设置3种对比实验环境,对某地区供电公司所提供的电力负荷和气象数据进行分析。预测结果及误差分析表明,所提短期负荷预测方法在保留高维气象因素本质特征结构的同时,能有效结合数据预处理方法及单一预测模型的特点,有效提升该地区电网负荷的预测精度。     

基于大数据的分布式光伏接入配电网影响分析与功率预测研究

为提高分布式光伏发电功率预测的精度,满足电网调度和规划的高精度要求,本文利用光伏运行、电能量采集、电网调度等业务系统的海量数据,利用大数据分析方法研究大量分布式光伏接入对配电网负荷特性的影响,并提出基于气象相似日和粒子群算法优化BP神经网络的光伏电站功率预测方法.通过分析光伏发电功率随天气类型、温度、光照强度等气象因素...     

基于自适应卡尔曼滤波在气象影响下负荷预测

如今电网系统中所构成电力负荷的电器越来越多,其中像空调等受气象影响的负荷所占比例持续升高,那么气象因素（温度、湿度、降雨量等）对电网的影响自然越来越突出,因此短期负荷预测将气象因素考虑进去,能够大大提升预测精度。根据某地区六年的电力负荷数据,构建卡尔曼滤波模型,可以给出高效准确的预测结果。然后将气象因素考虑到自适应卡尔曼滤波模型,通过不断对状态估计进行修正,得到计及气象因素影响的负荷预测结果精度更高。通过MATLAB 仿真,说明这种算法比较传统的卡尔曼滤波具有更高的预测精度,而且这种改进后的算法对实现短期负荷预测提供了一条新的途径。     

基于注意力机制的Encoder-Decoder光伏发电预测模型

影响光伏发电系统出力的天气因素具有很大的波动性和不连续性,因此需要创建合适的预测模型来对光伏出力特性进行精准预测,从而保证电网系统的有效运行。本文通过最大信息系数选择合适的历史光伏发电数据,将其作为特征之一进行输入数据重构,并在由LSTM神经元构建的Encoder-Decoder模型上引入注意力机制,最终得到结合注意力机制的Encoder-Decoder光伏发电预测模型。经实际光伏电厂算例分析,验证了所提模型在光伏发电预测方面的准确性和适用性。     

Weather Prediction With Multiclass Support Vector Machines in the Fault Detection of Photovoltaic System

Since the efficiency of photovoltaic (PV) power is closely related to the weather, many PV enterprises install weather instruments to monitor the working state of the PV power system. With the development of the soft measurement technology, the instrumental method seems obsolete and involves high cost. This paper proposes a novel method for predicting the types of weather based on the PV power data and partial meteorological data. By this method, the weather types are deduced by data analysis, instead of weather instrument. A better fault detection is obtained by using the support vector machines (SVM) and comparing the predicted and the actual weather. The model of the weather prediction is established by a direct SVM for training multiclass predictors. Although SVM is suitable for classification, the classified results depend on the type of the kernel, the parameters of the kernel, and the soft margin coefficient, which are difficult to choose. In this paper, these parameters are optimized by particle swarm optimization (PSO) algorithm in anticipation of good prediction results can be achieved. Prediction results show that this method is feasible and effective.