基于XGBoost算法融合多特征短期光伏发电量预测

针对目前光伏发电过程中由于"弃光"现象导致能源利用率低和经济性差等问题,提出一种基于XGBoost算法融合多种特征的短期光伏发电量预测的方法。文中介绍了XGBoost算法的基本原理,引入正则化惩罚函数和误差函数来构建光伏预测模型的目标函数;分析了光伏发电量和各特征之间的皮尔森相关系数,同时对特征的异常数据进行预处理。在训练过程中为了避免对模型超参数的影响,采用K折交叉验证(K Fold Cross Validation)对数据的训练集、验证集和测试集进行划分。训练完模型参数后把测试集数据放到光伏预测模型中,预测得到未来三天的光伏发电量。对比实验选择SVM和LSTM两种预测方法进行,实验结果表明XGBoost算法在预测光伏发电中具有较高的准确性和实用性。     

融合聚类及随机配置网络的短期光伏功率预测

为了降低天气因素对光伏发电功率的输出值预测精度的影响,从聚类分析和信号分解两方面入手,提出了一种融合聚类算法(KDGMM),改进的变分模态分解(VMD)与随机配置网络(SCN)的预测模型。首先通过KDGMM聚类将气象数据划分成晴天、阴天和雨天,针对阴天难以准确预测的问题,采用灰色关联度分析(GRA)选择相似日,其次引入莱维飞行北方苍鹰优化算法(LNGO)优化VMD得到最优参数,从而降低阴天光伏功率的非平稳性。最后构建SCN预测模型对光伏功率数据进行预测,输出其预测结果。通过实验分析,所提方法的均方根误差(RMSE)和平均绝对百分比误差(MAPE)仅为1.44和1.3%,拟合优度指标R²高达0.99,与其他预测方法相比,本文所提方法有较高的预测精度。     

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。     

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FCM和LSTM的光伏功率超短期预测

光伏电站输出功率的不确定性对电网的运行调度产生了严重影响。基于模糊均值聚类(fuzzy C-means,FCM)和长短期记忆网络(long short-term memory networks,LSTM),提出了一种光伏功率超短期预测方法。首先,通过滑动时窗将历史数据划分为时序片段,将功率波动特性以时段为样本进行分析;然后,定义了3种特征指标提取波动规律,采用FCM方法进行时序片段聚类,在聚类后重构数据集,结合LSTM网络,建立光伏功率预测模型;最后,采用澳大利亚光伏电站实测数据集验证所提方案的聚类性能与预测性能。仿真结果表明,所提方法具有更高的聚类准确性和预测精确度。     

基于多特征分析和提取的短期光伏功率预测

在对短期光伏发电功率预测时,多维数值天气预报(numerical weather prediction,NWP)数据中存在大量冗余和不相关特征,不仅影响预测的准确度,也会增加模型的复杂度,为此提出一种基于多特征分析和提取的短期光伏功率预测模型。通过K-means++聚类选取与预测日具有相似天气类型的历史数据作为训练样本,利用一阶差分具有滤波的特性对不稳定的特征数据进行处理,同时构造新特征;引入因子分析法,考虑特征与输出功率之间的相关性并提取有效特征,由远少于特征数的公共因子作为预测模型的输入数据;最后采用XGBoost对光伏功率进行预测。对某光伏电站仿真结果表明,提出的预测模型在晴天、晴转多云和阴雨天下的均方根误差分别为5.33%、6.13%和9.5%,在非晴天模式下的预测精度较传统方法可提升3%～10%。研究结果可为复杂天气下的光伏功率预测提供参考。     

基于Kmeans-SSA-LSSVM的光伏短期功率预测

光伏发电受多种气象因素和环境因素的影响,具有明显的间歇性、随机性和波动性。为了提高光伏短期功率预测的准确性,提出了一种基于Kmeans-SSA-LSSVM的预测模型,以提高预测精度。首先使用Kmeans算法对天气进行分类,然后利用SSA优化后的LSSVM对各天气类型分别进行功率预测。结果表明与BP、SVM、PSO-SVM相比,Kmeans-SSA-LSSVM提高了光伏短期功率预测模型的精度,对电力系统并网调度有重要意义。     

基于ACO-VMD-LSTM的光伏功率超短期预测研究

针对传统光伏功率超短期预测算法精度不高的问题,提出一种基于改进变分模态分解的长短期记忆网络的光伏功率预测模型。首先利用Pearson相关系数分析光伏功率影响因素,其次利用基于蚁群算法优化的变分模态分解对光伏功率序列进行分解,并将各模态分量级气象因素作为长短期记忆网络的输入,得到预测功率。仿真结果表明,与BPNN、LSTM模型相比,所提出的预测模型具有较高的预测精度,可为光伏电站功率预测提供参考。     

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...     

基于改进CSO算法的光伏系统发电功率短期预测

为了提高光伏发电系统短期输出功率的预测精度,建立了基于改进鸡群算法优化支持向量机(ICSO-SVM)的预测模型,在鸡群算法中引入动态惯性权重和自适应因子加强算法的寻优能力.通过计算得到对光伏发电影响较大的因素为太阳辐射强度、大气温度和相对湿度;计算出待预测日期和历史日期之间的关联度,确定预测所需要的训练样本并对模型进行...     

基于WD-CS-SVM的超短期风电功率组合预测

为了提高风电场输出功率的预测精度,应用小波分析(WD)和布谷鸟优化支持向量机(CS-SVM)算法对风电功率进行超短期预测,对比于通过预测风速间接求得的风电功率更加直接且准确。首先,利用WD与重构,将风电功率模型分解成近似序列和细节序列,然后利用CS-SVM算法对每个序列进行预测,得到每个序列的预测结果,最后把各个序列的预测结果叠加,形成风电功率的最终预测值。算例计算结果表明,预测结果具有较高的精度,与SVM以及其他方法优化的SVM预测结果相比,文中使用的方法预测结果更加准确,具有较强的优越性和实用性。     

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。     

基于气候特征分析及改进XGBoost算法的中长期光伏电站发电量预测方法

光伏发电在能源结构中的重要性不断凸显,而提高光伏发电量预测的准确性成为当前研究的关键问题。针对中长期光伏发电量预测问题,提出一个综合利用气候预测数据的中长期光伏发电量预测方法。首先,在基于气候预测数据的发电量预测框架中,根据气候预测数据特点和预测周期划分多重子模型以充分利用气候预测数据信息。其次,在进行数据预处理后,通过对气候特征衍生与交叉、特征筛选和选择,充分挖掘气候特征的高价值信息。然后,采取一种两重多阶段超参数寻优策略,对极端梯度增强(extreme gradient boosting, XGBoost)超参数进行调整以优化预测模型。最后,在真实光伏发电量数据上,以MAPE为标准评估预测水平,验证所提中长期光伏发电量预测方法的有效性。相关实验结果表明该方法可以有效提高光伏发电量预测精度。     

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。     

基于统计聚类分析的短期风电功率预测

考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类。根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本。运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性。运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持。     

基于PFA-MBAS-BP神经网络模型的光伏发电短期预测

针对光伏发电短期预测模型的输入变量多且关系复杂、BP神经网络稳定性差且易陷入局部最优解等问题,建立了一种基于主因子分析法(PFA)和优化天牛须搜索算法(MBAS)的改进BP神经网络光伏发电短期预测模型。该模型首先对光伏历史发电数据和气象数据进行降维简化分析,利用主因子分析法对影响光伏发电的主要因素进行相关性分析,选取主因子作为预测模型输入量。然后利用MBAS算法的空间寻优搜索,选取BP神经网络训练的最优权值阈值。最后,利用实测历史数据对不同预测模型进行仿真对比。仿真结果表明,所建立的改进模型的预测精度可达92.5%,图像数据拟合程度高且适用多种天气类型的光伏发电预测。     

基于EMD-SA-SVR的超短期风电功率预测研究

针对风电功率的高随机和强波动性,提出一种基于EMD-SA-SVR的风电功率超短期预测方法。采用经验模态分解(Empirical Mode Decomposition, EMD)提取风电功率序列的不同特征。将原始序列分解为多个更具规律的模态,针对每个模态序列建立各自的预测模型,以消除不同特征之间的相互影响。鉴于支持向量回归(Support Vector Regression, SVR)好的泛化能力,研究建立基于SVR的各模态预测模型。进一步采用模拟退火(Simulated Annealing,SA)算法对SVR参数进行优化以解决模型选择的多极值复杂非线性问题,获得各模态分量的最优模型,进而汇总各模态分量的结果得到风电功率预测值。在某风电场历史数据上的对比分析表明,EMD-SA-SVR模型可以有效提高风电功率超短期预测精度。