改进相似度的模糊聚类算法在光伏阵列短期功率预测中的应用

提出一种基于改进相似度的模糊聚类算法的光伏阵列短期功率预测方法,通过通径分析得到气象因子对光伏阵列日发电功率的影响权重。根据各个因子的权重自定义综合了加权相似系数和加权距离系数的统计量-相似度,建立模糊相似矩阵将历史日样本划分为若干类。然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立BP神经网络发电预测模型,并利用差分进化算法对构建的BP神经网络的参数进行了全局寻优。以实际数据对所提模型进行了验证,并与传统的基于相似日选取的光伏功率预测模型进行了对比,结果表明该模型具有更高的预测精度,有利于光伏发电系统并网运行和电网安全经济调度。     

基于灰色关联与量子粒子群寻优的光伏短期预测

光伏发电系统的功率受天气因素影响很大,结合温度、湿度及辐照强度3个气象因素,对短期光伏功率进行预测。首先阐明3种气象因素与光伏出力的相关关系,进而提出相似日理论,利用灰色关联度分析提取出与预测日气候条件相似的历史日。再将筛选出的历史日数据作为训练数据,利用支持向量机模型对预测日光伏出力进行预测。针对支持向量机中的惩罚系数、不敏感损失系数及核函数核宽度系数的选择,提出改进的量子粒子群算法进行寻优。最后,依据青海某光伏发电站的气候数据及光伏出力数据进行计算,并与带收缩因子的粒子群算法与带惯性权重的粒子群算法进行比较,从误差范围及计算时间等角度,证明了所提方法具有更高的准确性。     

基于模糊聚类和支持向量机的短期光伏功率预测

本文提出了一种基于模糊聚类和支持向量机的光伏短期功率预测方法。通过气象信息建立模糊相似矩阵将光伏发电功率历史样本划分为若干类,然后通过分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的气象因素作为预测模型的输入样本建立支持向量机光伏发电功率预测模型,并利用余一法对构建的支持向量机模型进行核参数和惩罚参数的优化。根据实际数据对所提模型进行验证,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,对光伏发电预测具有一定的参考价值。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络...     

考虑多气象因子累积影响的光伏发电功率预测

针对当前主流的光伏发电功率预测方法中,深度学习算法训练耗时长、传统机器学习算法精度有待提升的问题,提出考虑多气象因子累积影响的光伏发电功率预测方法。首先,采用相关系数法筛选关联气象因子,并使用余弦距离的K-means++算法将训练集高效划分为K个类簇;在第1路预测中,使用关联气象因子构造二维气象矩阵,然后输入到柯西变异优化的特征金字塔网络(feature pyramid networks, FPN)模型,挖掘相关气象因子对光伏发电功率的累积影响;在第2路预测中,使用轻量梯度提升机(light gradient boosting machine, LightGBM)算法实现光伏发电功率的即时预测;借鉴集成学习的思想,将上述2组预测结果加权求和,得到最终的光伏发电功率预测结果。在关联因子筛选、聚类效果对比实验部分,取0.3为相关系数阈值,验证聚类个数取4为最优;在光伏出力预测算法对比实验部分,分别基于平均相对误差、均方根误差,计算所提算法的预测精度为88.12%、82.03%,均高于其他各项参照算法,从而证明了所提算法的可行性。     

基于天气相似聚类与QRNN的短期光伏功率区间概率预测

为减少光伏发电的不确定性对电力系统造成的影响，描绘更为准确、清晰的光伏出力区间，提出一种基于天气相似聚类与分位数回归神经网络(QRNN)单调模型的短期光伏功率区间概率预测模型。首先，QRNN单调模型在预测过程中引入单调性，保证单调的分位数结果，并采用Huber范数近似替代原损失函数，弥补了传统区间预测分位数交叉及损失函数不可微的缺陷。其次，基于气象信息的数据特征，采用动态自组织映射聚类算法，通过神经元竞争与更新确定神经元邻域权重结构，并根据其邻域权重大小将天气聚类为晴天、多云天与阴天，得到相似天气下的数据集。然后，在不同天气条件下对影响光伏出力的因素进行相关性分析，得到不同天气下的天气影响特征，并作为输入因子输入神经网络中。最后，以澳大利亚沙漠知识太阳能中心实际数据集为例进行区间预测，并采用核密度估计给出概率预测结果，验证了所提方法的可靠性。     

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题，提出一种基于相似日聚类的光伏功率预测组合模型。首先，采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集，并利用变分模态分解（VMD）对相似日样本进行分解；其次，采用卷积神经网络优化支持向量机（CNN-SVM）和双向长短时记忆（Bi LSTM）神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合，利用网格搜索（GS）算法寻找最优组合权重，提升组合预测模型性能；最后，以澳大利亚某光伏电站1年实测数据为例，验证所提出光伏功率预测模型的有效性。实验结果表明：无论何种天气类型，所提出模型均能很好地对光伏功率实现预测，具有较强的适应性。     

模糊聚类-Elman神经网络短期光伏发电预测模型

光伏发电功率预测是电网安全稳定运行的基础,从数据挖掘的角度提升光伏发电功率预测精度,文中提出基于孤立森林、模糊C均值和Elman的短期光伏发电功率预测模型。根据预测日选择相似日数据并按天气分类作为训练样本;采用孤立森林清洗训练样本中的异常部分;应用模糊C均值对相似日以及待预测日的气象数据进行聚类分析。结合Elman神经网络算法,形成含孤立森林数据清洗的模糊聚类-Elman神经网络的预测模型,对光伏出力进行精确预测。根据某地市现场实测数据进行实验仿真,预测结果分别与传统Elman和BP模型的预测结果进行对比,所述模型可以获得更高的预测精度。     

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变化规律,运用模糊聚类算法计算确定待预测日的气象相似日序列,选取气象相似日历史数据作为BP神经网络预测模型的输入变量,并采用粒子群算法方法优化BP神经网络的初始值,最终输出分布式光伏各时段发电功率的预测值。实验结果表明该方法可有效提高光伏电站功率预测模型的收敛能力和学习能力,具有较高的预测精度。     

基于混合灰色关联分析-广义回归神经网络的 光伏电站短期功率预测

随着大规模的光伏发电接入电网,其输出的随机性和波动性给电网调度管理带来巨大的挑战。基于此,本文提出了一种同时考虑统计(历史光伏输出功率)和物理(历史和未来的气象信息)变量的混合灰色关联分析-广义回归神经网络预测模型。首先,计算多元气象因子与光伏发电功率的皮尔逊相关系数,将相关系数较高的气象因子确定为建立预测模型的气象输入因子;然后,采用灰色关联分析算法计算历史日与待预测日的关联度确定最佳相似日,选取最佳相似日的光伏输出功率和气象输入因子以及待预测日的相关气象参数作为广义回归神经网络模型的输入参数,得到待预测日各个时刻输出功率的预测值;最后,利用澳大利亚DKA太阳能中心网站所提供的光伏电站历史气象数据和功率数据对所设计的模型进行训练和测试,验证模型在不同季节下的预测效果。结果表明,与所选择的对比模型相比,本文所建模型具有较好的预测性能。     

基于FCM和CG-DBN的光伏功率短期预测

针对光伏输出功率非线性、波动大、不稳定等特征引起光伏功率短期预测不精确的问题,本文提出了一种基于相似日聚类和利用共轭梯度法(CG)改进深度信念网络(DBN)的组合模型预测方法。首先利用FCM聚类算法将原始数据按照隶属度进行相似日聚类,随后根据类别进行CG-DBN预测模型的建模,最后利用该模型进行光伏输出功率的短期预测。本文将方案应用于浙江龙游发电站,并将预测结果与传统预测模型进行了比较。最终得出,FCM和CG-DBN组合预测模型在光伏功率短期预测中的性能优于其他模型。     

基于通径分析和相空间重构的光伏发电预测模型

光伏发电的短期预测对电网稳定运行、经济调度和可再生能源调节具有重要意义。但光伏功率输出受辐射强度、温度等气象因素影响,具有较大的波动性和随机性。为了提高预测精度和不同天气类型的普适性,文章提出了一种基于支持向量回归结合相空间重构和相似日选择的混合光伏输出预测算法。采用通径系数分析对历史数据集进行处理,量化光伏出力和气象因子的相关性,并确定主导气象因子作为相似日选择的标准。随后,利用相空间重构技术对非线性光伏功率时间序列进行处理,抑制了原始数据集的混沌特性。用实际数据验证了该算法的预测有效性。结果表明,与传统的支持向量回归模型相比,文中的预测模型可以进一步提高预测精度。此外,文中算法在晴天和阴雨天的情况下都表现出良好的性能。     

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。     

基于天气类型聚类和LS—SVM的光伏出力预测

分析了影响光伏出力的气象因素,结合光伏系统实际运行数据和气象信息,提出一种基于天气类型聚类和LS—SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量,通过计算各向量的加权欧氏距离,筛选出最佳聚类集合,确定训练样本,使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS—SVM模型,输出为待预测日对应时刻的光伏出力。最后通过实际算例分析、评估,验证了所提模型和算法的有效性,并通过增加样本数据点获得了更加精确的预测结果。     

基于自适应差分进化和BP神经网络的光伏功率预测

针对光伏功率的波动性和间歇性,通过分析光伏发电的影响因素,建立了基于自适应差分进化和BP神经网络的光伏功率预测模型.该模型利用自适应差分进化算法优化BP神经网络的权重阈值,克服了BP算法收敛速度慢、容易陷入局部极值的缺点.利用光伏电站的历史数据和气象观测站的气象数据,对预测模型进行训练和光伏功率预测.结果表明,基于自适应差分进化和BP神经网络的模型预测精度高于BP神经网络模型,验证了所提模型和算法的有效性和可行性.     

考虑相似时段聚类的风电功率短期预测算法

为解决风电功率预测中较强的随机性和波动性的问题,提出一种考虑相似时段聚类的风电功率短期预测算法。该算法通过分析历史数据,确定相似时段的最佳长度。在此基础上采用K-means算法对功率曲线形状特征进行聚类。预测过程中,应用自适应分类算法对基准功率向量进行类簇划分,并结合气象因素筛选出最优相似时段集合。以该集合作为训练样本,以功率曲线和气象信息作为输入建立Elman神经网络模型,迭代地预测未来时段的风电功率。最后通过实际算例,验证了该算法的有效性。     

基于Kmeans-SVM的短期光伏发电功率预测

短期光伏发电功率预测对维护电网安全稳定和协调资源利用具有重要的意义。提出了一种基于K均值算法(Kmeans)和支持向量机(SVM)的短期光伏发电功率预测方法。根据短期光伏发电特性和光伏发电季节特性,组织预测模型的训练样本集。通过K均值算法对训练样本集进行聚类分析,在聚类得到的各类别数据上分别训练支持向量机。预测时根据预测样本的类别使用相应的支持向量机进行发电功率预测。经实验表明所提出的方法相较于传统的BP、SVM模型精度有了明显的提升,具有较好的工程应用潜力。     

基于ICEEMDAN-MBWO-WKELM短期光伏功率预测

针对光伏发电功率随机性强、波动性大且预测精度较低等问题,提出了一种基于改进自适应白噪声完备集成经验模态分解(ICEEMDAN)和多策略改进白鲸优化算法(MBWO)优化加权核极限学习机(WKELM)预测模型。首先,根据Pearson分析确定对光伏发电功率相关性较高的气象因素,并利用Kmeans++对历史数据进行聚类得到不同天气类型的相似日集。其次,利用ICEEMDAN将原始光伏功率分解为不同频率的子序列以降低其波动性。然后,对各子序列构建WKELM预测模型,并利用MBWO优化模型的核参数和正则化系数。最后,将各子序列的预测值相加得到最终的预测结果。以国内江苏某光伏电站真实数据为例对该模型及其他模型进行算例分析,结果表明此处所提组合预测模型具有较高的预测精度。     

基于生成对抗网络的小样本光伏发电短期预测

光伏发电精准预测是光伏新能源合理调度的依据,然而新建光伏电站发电样本数据不足是降低预测精度的重要因素。利用数据增强算法对光伏发电样本进行扩充,是解决小样本光伏发电预测问题的重要方法,因此,提出一种基于WGAN(Wasserstein generative adversarial network)算法的数据增强方法和基于LSTM算法的小样本光伏发电预测方法。利用源域数据集训练WGAN算法并引入深度迁移学习算法对其训练参数进行迁移优化,完成小样本数据集高效扩充。通过Pearson系数对气象参数和发电量的相关性进行分析,对多气象参数权重进行赋值,利用实际发电值修正LSTM预测模型。公开数据集实验结果表明,该方法对小样本光伏发电预测准确性提升了33.4%,对新建的太阳能电站发电预测具有实际指导意义。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。