计及故障时间的神经网络风力发电量预测

风电是可再生能源的一种重要形式,随着越来越多的风电并入电网,发电量的预测对电网的稳定性变得格外重要,为了得到更高的预测精度,提出了一种将天气因素和故障时间相结合的两段式风力发电量预测的方法。结合湖南省某风力发电场的实际生产数据,分别运用神经网络结合时间序列的方法对故障时间进行预测,以及GRNN神经网络方法对发电量进行预测。提高了风力发电量预测的精度,延长了预测时间,证明了方法的可行性。     

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。     

基于灰色神经网络优化组合的风力发电量预测研究

文中提出一种新型灰色神经网络优化组合的风力发电量预测研究,将人工神经网络预测模型和灰色预测模型有效结合,不仅考虑了风力、风向和温度等影响因素,而且将往年风力发电量的历史数据综合考虑,结合两种预测优点,从而提高了预测的准确度并降低预测误差。算例结果证明,这种新型的灰色神经网络优化组合预测值误差低于单一的灰色预测或神经网络预测。     

基于智能加权混合模型的新型电力系统电量预测方法

随着电力系统的转型升级,新型电力系统的能源供应和消费发生了巨大的转变,因此对电量预测提出了更高的要求。月度电量的准确预测为新型电力系统的优化调度和电力市场的营销计划提供可靠的依据。在深入挖掘历史电量数据、综合分析月度电量特征及相关因素影响的基础上,结合Prophet算法和KELM神经网络算法各自的优势,提出了一种考虑气温、经济水平和节假日的月度电量组合预测方法。首先基于月度电量数据建立了Prophet预测模型,并进行了参数调优过程;其次利用KELM神经网络建立了基于历史电量、气温、GDP、节假日信息的预测模型,并通过参数调优确定最佳预测模型;最后,以加权组合的方式,建立月度电量组合预测模型。通过算例分析,比较了组合算法和其他算法的预测误差和预测效果,表明了本文所提组合模型在预测精度方面有所提升,验证了预测算法的有效性。     

基于模糊识别的光伏发电短期预测系统

随着光伏发电系统容量的不断扩大,光伏发电预测技术对于减轻光伏发电系统输出电能的随机性对电力系统的影响具有重要意义。根据光伏发电系统的历史发电量数据和气象数据,分析了天气类型、大气温度和太阳辐射强度等因素对预测结果的影响,采用神经网络对数值天气预测数据进行模糊识别,建立了基于模糊识别的神经网络发电预测模型。研究结果表明,神经网络的结构和扩展速度对预测结果有一定的影响;把数值天气预测数据进行模糊识别后作为神经网络的输入有利于提高神经网络的预测精度;设计的神经网络预测模型具有较高的精度,能够解决光伏发电的随机化问题,有利于电力系统的功率平衡和经济运行。     

基于天气信息的短期冷热电负荷联合预测方法

随着可再生能源大量接入,增加了能源互联网的波动性与多样性,对冷热电负荷预测的精确度和稳定性提出了更高的要求,冷热电负荷的精准预测是能源互联网运行优化的重要前提,并对需求侧分析具有重要意义。利用天气信息,提出了一种基于气象信息的短期冷热电负荷联合预测方法。该方法包括区域天气预测与冷热电负荷联合预测两大步骤。在区域天气预测中,首先充分利用历史天气、实测天气与天气预报信息,采用调整误差法,对一指定区域进行天气预测;之后利用历史负荷数据、历史天气数据与区域天气预测数据,采取遗传算法优化BP神经网络(genetic algorithm to optimize BPneuralnetwork,GA-BP)预测算法,对冷热电负荷进行联合预测。仿真结果表明该方法能够有效提高负荷预测精度。     

基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。     

基于ZigBee和GPRS感知天气的太阳能LED路灯控制系统

针对太阳能LED路灯的亮灯需求和电能完全依赖天气的矛盾,提出了一种感知天气的太阳能LED路灯控制系统,通过历史天气信息和太阳能历史发电量,建立了神经网络模型预测未来太阳能发电量,并通过ZigBee和GPRS数据通信网络将预测的发电量信息发送给太阳能LED路灯终端控制器,路灯终端控制器根据预测发电量与蓄电池剩余电量,采用模糊控制策略,调整亮度,达到最佳的亮灯效果,尤其延长了连续阴雨天气的亮灯时间。     

融合历史数据和实时影响因素的精细化负荷预测

随着智能电网技术的飞速发展,对负荷预测的精度提出了越来越高的要求。融合负荷、天气等多源数据,提出了一种基于数据融合的支持向量机精细化负荷预测方法。首先对负荷历史数据进行聚类分析,将运行日分成六类。然后将负荷数据和温度、湿度等天气数据进行融合,针对六类聚类结果分别建立基于数据融合的支持向量机精细化负荷预测模型,并对模型参数进行全局优化。采用不同的预测模型对浙江省某地级市2013年的负荷进行预测,结果表明所提出的负荷预测方法的预测精度明显高于传统的负荷预测方法的预测精度。     

基于模糊C均值聚类的光伏组件发电量预测

光伏组件发电量预测是光伏系统发电量预测的基础,为此,基于模糊C均值聚类,针对3种典型天气,即晴天、阴天和雨天,结合向量给出了相应天气突变情况的判断方法,根据天气情况选取对应的光伏组件输出功率模型进行组件发电量预测,每次预测间隔为10 min。验证结果表明,优化的光伏组件功率输出模型和发电量预测方法预测精度高,晴天的预测误差为1.1%,阴天为3.76%,雨天为9.2%,复杂天气下为4.22%,验证了所提出的优化的光伏组件输出功率模型和发电量预测方法的有效性,满足功率预测误差要求。     

基于数据序列分辨率压缩尺度优化的月度电量预测方法

准确的月度电量预测是指导电力部门安排运行计划和保障售电公司盈利能力的关键基础。针对基于人工智能算法电量预测模型在训练过程中存在样本分辨率选择不当导致预测精度降低的问题,提出了一种历史数据序列分辨率压缩尺度优化方法。首先将数据分辨率压缩尺度选择建模成一个优化问题。然后通过数据驱动方式进行求解。最后再利用长短期记忆(Long Short-term Memory, LSTM)神经网络实现月度电量预测,从而较好地实现了数据分辨率和电量预测步长之间的合理平衡以提升电量预测精度。利用美国PJM电力市场的历史电量数据对所提方法进行验证。仿真结果表明,较不进行分辨率压缩尺度选择所提方法具有更高的预测精度,同时LSTM网络在结合该方法时表现出了最佳的预测性能。     

基于灰色关联度与 LSSVM 组合的月度负荷预测

由于月度负荷的二重趋势特性,其变化呈现出复杂的非线性组合特征,使预测精度一直不能达到令人满意的结果.针对月负荷的二重趋势特性和最小二乘支持向量机(least squares support vector machine,LSSVM)存在的数据输入维数大、训练时间长等缺点,提出一种基于灰色关联度与LSSVM 组合的月度负荷预测方法.该方法通过计算灰色关联度来选择训练样本,选取 LSSVM 进行样本训练;将与待预测月高度相似的历史月负荷作为 LSSVM 的训练样本输入,剔除了冗余数据,减少了输入维数,提高了预测精度.通过实例验证和结果对比,证明了该方法可显著提高月负荷预测的精度.     

基于分布式光伏发电量预测分析的运行优化策略研究

针对目前分布式光伏发电系统发电量的影响因素较多,不易预测,与其他发电系统之间运行优化策略不完善等问题.文章参考国内外光伏行业大数据应用的典型经验,基于光伏发电数据和用户的负荷需求数据,提出了一种基于RBF神经网络的光伏发电量预测和负荷预测模型,通过对数据的归一化处理和对天气因素的量化和相似度处理,对未来一段时间内的光伏用电量和负荷进行预测;采用青岛市某光伏电站的实际数据进行学习和预测,取得较好效果,从而验证了模型的可行性.此外通过对负荷的预测和对发电量的预测数据,以经济性能最优为目标制定了运行优化策略,实现了光伏发电的有效利用,使发电侧和负荷侧功率平衡,大大降低了网损和线损,提升了分布式光伏用电可靠性和经济性.     

基于深度信念网络的光伏电站短期发电量预测

为了解决现有光伏电站短期发电量预测方法存在的预测模型复杂、预测误差较大、泛化能力较低的问题,提出一种基于深度信念网络的短期发电量预测方法。首先综合考虑影响光伏出力的环境因素和光伏板的运行参数以及光伏电站历史发电量数据,对深度信念网络进行训练和学习。在此基础上,采用重构误差的方法确定深度信念网络隐含层层数。最后针对某光伏电站短期发电量进行预测算例分析,验证了该预测模型能主动选择样本抽象特征、自动确定隐含层层数,对短期发电量预测精度较高。对比前馈反向传播(Back Propagation, BP)神经网络预测模型与长短期记忆网络(Long/Short Term Memory, LSTM)预测模型,结果表明所提方法运算量低、预测精度高,且增加神经网络的深度比改进神经网络神经元对预测效果更有效。     

基于ELSTM算法的区域风电发电量预测方法的研究

介绍了当前风电发电电量预测的常用手段及面临的挑战,阐述了不同时间尺度下风电发电量预测的区别,将中长期发电量的预测手段和方法作为重点分析的对象,提出了基于ELSTM算法的区域性风电发电量预测方法,对其原理进行了分析.对国内云南某区域7个气象站中的气象要素数据、区域内风电场的气象要素数据及发电量数据进行算法的验证,测试过程...     

基于时间序列的大型光伏电站发电短期预测

环境变化条件下,短期精确预测光伏(photovoltaic,PV)发电量对于确保电网运行、调度和电网能源管理至关重要,尤其是在未记录太阳辐射测量或天气参数历史值的位置.通过搭建基于人工神经网络(双向长期短期记忆)的方法和统计方法(季节性自回归综合移动平均值)模型,对比分析大型光伏发电量的时间序列预测结果,考虑预测时间范围变化对所有算法的影响.当前工作中使用的数据为从20 MW并网光伏电站获取的3640 h运行数据.人工神经网络和所提统计模型可用于提前1h准确预测光伏电站的发电量,对光伏系统与智能电网的集成起重要指导作用.     

基于遗传神经网络的短期负荷预测研究

电力短期负荷预测在实时控制和保证电力系统经济、安全与可靠运行方面起着重要作用,对于系统运行具有重大影响。根据电力短期负荷的变化特点,综合考虑温度、天气、风力等因素,提出了基于遗传算法优化人工神经网络方法的短期负荷预测模型。在试验中采用单一的人工神经网络和优化的神经网络建模分别对广东省某城市电网的短期负荷进行预测。实际预测结果表明,基于遗传算法优化神经网络方法预测模型的预测准确度明显高于单一神经网络方法的预测准确度。     

考虑转折性天气的海上风电功率超短期分段预测方法研究

在以台风、强对流天气为代表的转折性天气下,海上风电功率在短时间内呈现剧烈波动,对超短期风电功率精确预测提出了挑战。针对上述问题,提出一种基于转折性天气时段自适应划分的海上风电功率超短期分段预测方法。在全时段上提出一种基于移动均值迭代的时序趋势提取方法,以初步分析功率时序实时变化特性;其次,在分时段上,为提升对转折性功率时段的识别精度,立足趋势提取结果提出一种基于双重自适应滑动窗拐点检测的转折性功率时段提取方法;在此基础上,综合考虑不同时段功率时序特征差异性,建立一种分段预测模型对不同时序下的功率进行精益化预测：对非转折性时段提出一种LightGBM-门控循环单元组合预测方法;对转折性时段提出一种基于时序模式分类的改进核密度估计概率预测方法。采用中国东海某海上风电场数据进行算例验证,结果表明,所提方法能有效提高预测精度。特别地,对于海上转折性天气带来的极端工况下风电功率预测具有良好的适应性,对海上风电功率超短期预测领域研究提供有益补充。     

基于多层分解——累加原理的城市综合体月度用电量预测方法

由于存在严重的模型过拟合问题,传统的城市综合体月度用电量单步预测方法往往不能提供准确的预测结果。提出一种基于多层分解-累加原理的城市综合体月度用电量预测方法。该方法首先将城市综合体内部负荷根据其负荷特性细分为3类;然后,针对每一类型的负荷搜集其历史小时用电量数据,并根据数据的星期标签再次分解,以提高多步预测模型的预测精度;接着,使用改进的经验模态分解(improved empirical mode decomposition, IEMD),将用电量序列中不同尺度的波动和趋势特性分离开来,并利用极端梯度提升(extreme gradient boosting, XGBoost)算法对分解后的各分量分别建立对应的多步预测模型;最后将预测结果逐层累加得到月度用电量预测结果。研究结果表明,文章提出的方法能够有效地捕捉城市综合体用电量变化规律,其预测误差精度比传统方法提升了18.2%~34.9%。     

雾霾条件下光伏发电量预测的迭代优化与经济性分析

光伏发电易受温度、辐照度等环境因素的影响,而近年来雾霾（PM_2.5浓度较高）污染严重,大幅降低了光伏系统发电量。因此研究雾霾天气下光伏发电量预测方法对光伏市场的发展具有重要意义。通过采集上海某户用光伏屋顶的全年光伏数据,利用控制变量法及雾霾相似日原理,拟合分析PM_2.5的浓度与发电量损失指数之间的关系,通过迭代原理优化光伏发电量预测算法,并给出雾霾环境下光伏发电量预测公式,修正光伏收益预测模型。结果表明：优化后的光伏预测发电量算法可提高发电量预测结果的精确性和稳定性。通过对3种光伏经济模型进行收益分析,验证了迭代优化算法可有效提高光伏收益预测的精确性。