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。     

基于深度学习的光伏发电功率预测方法研究

近几年新能源技术不断发展,光伏发电因具有绿色清洁、持续长久等优点得到了广泛应用,但同时其输出功率存在间歇性、随机性和突变性等特点,会对电网的稳定性带来负面影响,因此准确的功率预测对电网的稳定运行至关重要。随着人工智能的兴起,将深度学习网络技术与功率预测相结合,可得到高精度的预测结果。为此提出一种基于长短期记忆网络的深度学习方法,建立分时长短期记忆网络模型,从而实现了光伏发电功率的预测。该预测方法的推广应用为电网的稳定运行提供了可靠保证,有效提高了功率预测精度,具有很好的应用前景和现实的应用价值。     

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。     

用于超短期风电预测的混合深度学习模型

为提高风功率预测的准确性,本文提出了一种基于注意力机制的CNN-LSTM风功率预测模型。首先进行数据预处理,采用最小二乘法k阶曲线对输入数据进行平滑处理,并对平滑化后的数据归一化;其次,利用卷积神经网络对输入数据特征提取;然后,在传统长短期记忆网络模型中融入注意力机制,进一步从大量信息中提取有用信息,提高模型预测精度。最后,以甘肃省某风电场实测数据为依据进行仿真分析,验证所设计模型的优越性。仿真结果表明,文中模型可以有效降低风功率预测误差。     

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MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

基于组合深度学习的光伏功率日前概率预测模型

为准确量化复杂场景下光伏预测功率的不确定性,提出了一种基于时序卷积网络-注意力机制-长短期记忆网络组合的光伏功率短期概率预测方法。首先,基于多种相关性分析方法选出与光伏功率强相关的气象因素;然后,基于时序卷积网络的特征提取能力和长短期记忆网络的时序特征建模能力,并结合注意力机制和分位数回归,建立组合深度学习预测模型;最后,采用核密度估计方法生成连续概率密度函数。以实际集中式和分布式光伏电站为案例进行分析,结果表明：与长短期记忆网络、时序卷积网络、时序卷积网络-注意力机制和时序卷积网络-长短期记忆网络相比,所提方法在确保最优预测区间的同时,可以提升概率密度预测的性能。     

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K-means++与ELM的短期风电功率预测模型研究

风能的波动性对风电产业的迅速发展带来了巨大挑战,准确可靠的短期风电功率预测对满足电网调度以及降低度电成本具有重要意义。文中提出了一种基于K-means++聚类分析和极限学习机(ELM)的短期风电功率预测方法,同时使用数值天气预报(NWP)数据与SCADA系统的历史监测数据,实现了对未来72小时的短期风电功率预测。首先,通过K-means++聚类算法将NWP数据划分为数量不等的簇,之后,使用ELM对每个簇的数据分别建立NWP数据与SCADA功率数据间的映射模型。完成模型训练后,根据数据与各聚类中心点之间的距离选择最佳预测模型。实验结果表明,与常用的经典模型相比,其预测结果精度更高,具有更高的预测性能。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

基于深度学习和改进K-means聚类算法的电网无功电压快速分区研究

随着电网规模的不断扩大,对整个大电网进行统一的电压调控变得越发困难.提出一种基于深度学习和改进K-means聚类算法的电网无功电压快速分区方法 ?首先建立电耦合强度矩阵反映系统节点间的电气耦合关系的强弱.然后采用深度学习中的稀疏自编码器,通过训练实现对输入的高维矩阵进行特征提取和降维.最后基于改进的K-means聚类算...     

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-B...     

基于典型气象周的GRNN光伏发电量预测模型

由于光伏发电量具有波动性,且现有的光伏发电量预测技术存在气象因素考虑不全面、特征提取不充分等问题,为提高光伏发电量预测精度,文中提出一种改进的典型气象年方法(TMY Method)生成典型气象年数据,并结合广义回归神经网络(GRNN)进行光伏发电量预测。首先,选择6种历史气象指标,利用Finkelstein-Schafer统计方法选择典型气象周,并生成典型气象年数据;然后,使用因子分析法对会影响光伏发电量的气象指标进行筛选,对筛选出的气象指标和日光伏发电量进行标准化处理后,将其作为GRNN模型的初始输入量,得到预测日的光伏发电量;最后,利用江苏省南京市的历史气象数据及日发电量数据对所设计的模型进行训练和预测。结果表明,与标准TMY Method-GRNN预测方法相比,文中所提预测方法有较好的预测性能。     

基于多时段综合相似日的光伏发电功率预测

由于历史数据和天气因素对光伏出力预测的影响较大,提出了一种日特征相似度与形状相似度相结合的方法,分时段地预测光伏发电功率。该方法首先采用欧式距离法对气象类型进行细分,然后在不同时间段中分别利用两种相似日选取算法选取历史相似日,再利用其对应时段的历史功率值及气象数据,采用BP神经网络对预测日相应时段的功率进行预测,结果表明该方法的预测精度有明显提高。     

基于深度学习的航拍光伏板红外图像热斑检测方法研究

针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3×3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99. 56%,检测速度为22. 1帧/秒。光伏板识别后的热斑分割准确度达到95. 99%,交并比mIou达到85. 58,检测速度为24. 5帧/秒,该方法能够满足光伏板故障检测的需要。     

基于布谷鸟-Elman算法的光伏发电预测

提高光伏发电功率预测的精度对于保证电网的安全稳定运行、提高光伏资源的开发和利用率具有重要的意义。文中提出了一种基于天气相似度以及改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型。首先在选取相似日上,提出一种基于距离和角度趋势的相似度计算方法,选出与待预测日相似度更高的相似日。其次,利用改进后的布谷鸟算法对Elman神经网络的权值和阈值进行优化并构建光伏发电短期功率预测模型。最后将文中提出的光伏发电预测模型与传统Elman神经网络模型的预测结果及实际输出值进行比较,结果表明改进布谷鸟算法优化Elman神经网络的光伏发电短期功率预测模型预测精度更高。     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

基于深度学习的无人机电网巡检缺陷检测研究

由于无人机电网巡检存在检测区域面积小、背景复杂、计算量大等特点,导致深度学习算法的准确率和实时性难以实现。为实现无人机电网巡检的准确、快速识别,分析了各类深度学习算法在复杂环境下对绝缘子的检测效果,提出了一种基于YOLO v3的目标检测算法。首先选用ResNet18作为主干网络结构,然后构建一个多尺度特征金字塔,将其与主干网络进行融合,形成深度融合的电网巡检绝缘子检测模型,可在提高检测准确率的同时,满足实时性的检测要求。实验结果表明,YOLO v3网络的均值平均精度(mAP)达98.10%,相比于Faster R-CNN提高了6.71%;其每秒检测帧数高达47.52帧,分别是R-CNN和Faster R-CNN的25倍和12倍。所提的YOLO v3网络具有更优的识别精度和检测速度。