基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法研究

短期分布式光伏发电功率预测对配电网调度计划的安排及优化具有重要意义。人工智能技术的进步为精细化分析光伏发电功率预测结果的影响因素以及提高光伏发电功率的预测精度提供了有效途径。文章提出一种基于特征筛选与ANFIS-PSO的分布式光伏发电功率预测方法。首先,基于随机森林中的增益情况,对影响分布式光伏发电系统的各项特征参数进行筛选;然后,通过自适应神经模糊推理算法对输入数据进行训练,并使用粒子群算法对ANFIS模型进行优化;接着,建立基于离线训练和在线预测的ANFIS-PSO分布式光伏发电功率预测模型;最后,利用北京某地分布式光伏发电系统的实际数据来验证模拟结果的准确性。     

基于PSO-Soft attention双向LSTM算法的光伏发电量预测研究

为解决传统的光伏发电量预测中数据特征方程较为粗糙、预测精度不高等问题,提出一种基于PSO-Soft attention双向LSTM算法的光伏发电功率预测算法,在前向传播过程中通过自适应学习策略的PSO算法对LSTM模型的关键参数进行寻优,同时优化了双向LSTM网络的反向传播过程,加入了Soft attention机制使模型收敛性更强,重新构造该模型为八层网络结构且采用两层卷积层,同时解析了PSO-Soft attention双向LSTM算法的光伏发电功率预测过程。实验结果表明,相较于SVM模型以及LSTM模型,所提预测模型的预测精度提升了2%左右。     

基于LSTM网络的光伏发电功率短期预测方法的研究

提高光伏发电功率预测结果的精度对电网规划和调度具有重要意义。基于前向神经网络或回归分析法的传统预测模型因缺乏历史记忆能力而导致自身鲁棒性较差、适应能力较弱。为了解决上述问题,文章提出了一种基于LSTM网络的光伏发电功率短期预测方法。在预处理过程中,文章先将天气类型依据日照晴朗指数量化为具体数值;然后,利用主成分分析法将与光伏发电功率相关性较高的多元数据序列进行降维,得到主成分数据序列;最后,建立基于LSTM网络的光伏发电功率短期预测模型,并将该模型的预测结果与BP网络预测模型和RNN网络预测模型的预测结果进行对比。模拟结果表明,基于LSTM网络的光伏发电功率短期预测模型能较好地反映时序数据的动态特性,预测精度较高,预测结果能够为电力调度部门提供可靠的数据支持。     

基于IAOA-VMD-LSTM的超短期风电功率预测

为了对风电功率进行精确预测,提出一种基于改进算术优化算法（IAOA）、变分模态分解（VMD）和长短期记忆网络（LSTM）的超短期风电功率预测模型（IAOA-VMD-LSTM）。利用IAOA对VMD的关键分解参数k和α进行优化,得到的各固有模态函数（IMF）具有周期性,能够提升LSTM的预测精度,同时利用IAOA对LSTM网络参数进行优化。通过对风电功率数据进行预测分析,结果表明IAOA-VMD-LSTM预测模型相比于其他模型的预测精度更高。     

基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测

针对光伏发电功率时间序列随机性和波动性强的特点,提出一种基于Kmeans和完备总体经验模态分解(CEEMD)、排列熵(PE)、长短期记忆(LSTM)神经网络结合的短期光伏功率预测模型。先通过Kmeans算法选出预测日的相似日;然后采用CEEMD将发电功率和影响因素数据的原始序列分解为多个固有模态分量,并用排列熵算法对模态分量进行重构;最后对重构后的子序列分别进行LSTM建模预测,再将子序列预测结果叠加起来确定光伏发电功率预测值。试验结果表明,所提预测模型与单独的LSTM预测模型和EMD-PE-LSTM预测模型相比,功率预测精度明显提高,为电网调度提供了一定参考。     

基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测

针对高分辨率气象数据匮乏影响光伏功率预测准确性的问题，提出一种融合气候相似性与奇异谱分析（SSA）、卷积神经网络（CNN）和长短期记忆网络（LSTM）的高分辨率光伏功率组合预测模型。运用SSA分解光伏序列为不同子序列，建立CNN-LSTM日前预测模型以捕捉光伏出力的连续性特征；利用气候相似性通过低分辨率气象数据选取相似日实现高分辨率光伏出力预测；通过灰色关联分析动态组合权重得到最终预测结果。仿真结果表明，该组合预测模型可有效提高日前高分辨率光伏功率预测的准确性，具有较高的预测精度。     

基于数字孪生和改进LSTM的光伏发电预测技术

为提高光伏发电功率预测的精度和时效性,降低电网调度的安全隐患,提出了一种基于数字孪生模型、联合神经网络以及融合预测模型的光伏发电功率预测技术。该技术以针对常态预测的CNN LSTM网络和针对超短期预测的集成学习融合预测模型为核心,以光伏发电系统的数字孪生模型为基础框架,以某光伏电站的实测数据为基础进行了分析,实现了实时的多模式光伏发电功率精确预测。结果表明：改进的CNN LSTM联合网络模型能够实现较高预测精度,相比于现有的主流预测算法精度提高了约36%~58%;针对超短期的发电功率预测这一难点,集成学习融合框架可以进一步将预测精度提高25%左右。     

基于深度学习模型的新能源电站一体化短期功率预测

为了解决风力发电和光伏发电随机性、波动性、间歇性造成的新能源功率预测建模和精度不高问题,基于深度学习模型变分自动编码器(Variational Auto-Encoder, VAE)在时间序列建模和非线性逼近特征提取方面的优异性能,开展新能源电站VAE模型功率短期预测研究,并与循环神经网络(RNN)、长短期记忆(LSTM)深度学习方法和支持向量回归(SVR)机器学习方法的预测结果进行了对比。光伏电站和风电场独立功率预测结果表明,深度学习模型较基线机器学习模型预测性能更好,基于VAE的预测方法能够学习更高级别的特征,其预测性能表现更佳,光伏功率预测模型的RMSE、MAE和R²值分别为1.593、1.098和0.973;风光一体化功率预测结果表明,VAE和RNN模型能够提高功率预测准确性,其一体化功率预测模型的R²值分别为0.96和0.97。     

基于VMD-LSTM与误差补偿的光伏发电超短期功率预测

光伏序列具有的较高复杂性对光伏发电功率的预测精度产生了极大影响,对此提出一种基于VMD-LSTM与误差补偿的光伏发电超短期功率预测模型。该模型第1阶段采用VMD算法将原始功率序列分解为若干个不同的模态,并对其建立对应的LSTM网络模型进行预测,通过对各模态的预测结果求和得到初始预测功率;第2阶段采用LSTM网络对误差序列进行误差补偿预测,然后将初始预测功率和误差预测功率求和得到最终预测结果。仿真结果表明,该预测模型对天气具有较高的适应性,预测精度达到97%以上。     

有限信息下基于深度学习模型的小型分布式光伏电站功率预测

目的是解决小型分布式光伏电站在无气象站配备、无法测量气象变量(即太阳辐照度、温度、相对湿度等)的情况下,通过区域内光伏电站历史出力数据预测光伏发电的问题。基于有限信息,提出了两层的LSTM深度学习模型,对小型分布式光伏电站功率进行了预测,并对其超参数对其预测效果的影响进行了分析。此外,利用澳大利亚爱丽丝泉地区的分布式光伏电站数据来验证该模型的准确性,并与使用气象数据进行预测模型的效果进行了对比。结果表明,借助区域内光伏电站历史功率数据进行预测的效果良好,适用于无气象站情景下的光伏功率预测。     

基于Spearman系数和TCN的光伏出力超短期多步预测

研究一种基于Spearman相关系数和改进时间卷积网络（TCN）的超短期多步光伏功率预测方法。首先，采用Spearman相关系数方法对输入的天气特征量进行筛选；然后，构建合适的时间卷积网络使其适配光伏功率预测问题。经过实际的光伏电站数据测试，单步预测模型拟合度为99.41%，预测平均绝对误差为61.04，均优于传统的长短期记忆神经网络（LSTM）。     

基于IEWT-FE-BO-LSTM模型的超短期风功率预测

为提高超短期风功率预测精度,提出一种基于IEWT-FE-BO-LSTM的组合风功率预测模型,首先利用改进经验小波分解(IEWT)对历史风功率数据进行分解;然后引入模糊熵(FE)算法对各分解子模态进行复杂度计算重组子模态;再对各个重组分量分别建立基于长短时神经网络(LSTM)的预测模型,利用贝叶斯优化算法(BO)进行超参数组合,解决人为调参导致训练结果不佳的问题;最后通过历史风电场数据进行算例分析。结果表明,IEWT-FE-BO-LSTM模型对超短期风功率有较高的预测精度和预测效率。     

基于跟踪偏差角和改进迭代误差修正的光伏功率预测优化策略

随着光伏发电逐渐接入电网,电网对光伏功率的预测精度也提出了更高的要求。针对双轴太阳能自动跟踪系统实际运行中存在的跟踪偏差角以及采用传统迭代误差修正思想进行多模型预测时存在的误差异常值,提出一种基于跟踪偏差角和改进迭代误差修正的光伏功率预测模型。首先,建立改进迭代误差修正模型;然后,利用改进迭代误差修正模型对功率预测进行一层优化;最后,结合跟踪偏差角完成对光伏功率预测的二层优化。仿真结果表明,所建立的光伏功率预测模型能使功率预测精度提高5%左右,弥补了单一模型存在的不足。     

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。     

基于PCA-LMD-WOA-ELM的短期光伏功率预测

对光伏发电功率进行准确预测,可减弱其并入电网的波动性,有利于电网对新能源发电的调度。基于主成分分析法和局部均值分解相结合的鲸鱼优化算法,构造优化后的极限学习机模型,并使用该模型对光伏发电短期功率进行预测。先用主成分分析法对影响光伏发电功率的因素进行筛选,并使用局部均值分解对选取的主要影响因素及发电功率序列数据进行分解;然后基于子序列使用鲸鱼优化建立极限学习机模型;最后将各序列短期预测结果叠加获得光伏发电短期功率预测结果。通过仿真验证及对比分析,说明该预测方法具有较高的预测精准度。     

自然降雨下光伏组件积灰预测方法研究

为了预测光伏组件上的积灰量,以相关气象因素为输入变量,基于最小二乘支持向量机(LSSVM)预测算法,并通过改进粒子群算法(PSO)中惯性因子的衰减方式提高预测算法寻优鲁棒性。在积灰预测模型中考虑当地时空因素,引入强相关的降雨量,并结合光伏组件发电功率衰减率,建立自然降雨清洗下的积灰预测模型。在杭州地区进行测量实验,通过实例计算表明此模型可快速预测统计周期内光伏组件积灰量以及积灰引起功率衰减率,为精准预测光伏发电功率和制定组件清洁频率提供依据。     

基于WOA-BiLSTM模型的短期光伏出力预测

针对光伏发电系统受环境因素影响较大、预测精度低等问题,提出了一种基于鲸鱼算法优化双向长短期记忆神经网络（WOA-BiLSTM）的光伏出力短期预测模型。利用鲸鱼算法（WOA）进行参数寻优,完成对双向长短期记忆神经网络（BiLSTM）模型最优超参数的选择,并以华东某光伏电站的历史光伏数据进行了验证。预测结果显示：相较于长短期记忆神经网络（LSTM）与BiLSTM预测模型,WOA-BiLSTM模型可以在一定程度上提高预测的精度。     

基于EMD-PCA-LSTM的光伏功率预测模型

提高光伏发电功率预测精度,对于保证电力系统的安全调度和稳定运行具有重要意义。本文提出一种经验模态分解(EMD)、主成分分析(PCA)和长短期记忆神经网络(LSTM)相结合的光伏功率预测模型。充分考虑制约光伏输出功率的5种环境因素,首先利用EMD将环境因素序列进行分解,得到数据信号在不同时间尺度上的变化情况,降低环境因素序列的非平稳性;其次利用PCA提取特征序列的关键影响因子,消除原始序列的相关性和冗余性,降低模型输入的维度;最终利用LSTM网络对多变量特征序列进行动态时间建模,实现对光伏发电功率的预测。采用山西省某电站的8个月实测数据进行验证,实验结果表明,该预测模型较传统光伏功率预测方法有更高的精确度。     

基于IMFO算法的光伏高占比电网UPFC参数优化模型

光伏高占比地区功率双向交换过程中系统存在暂态功角稳定及电压稳定问题,为得到电网在有功和无功动态波动下统一潮流控制器(Unified Power Flow Controller,UPFC)的最优参数,文章通过对飞蛾扑火(MothFlame Optimization,MFO)算法进行改进,提出光伏高占比电网UPFC控制参数优化模型。首先,针对光伏高占比条件下电力系统UPFC串联、并联功率控制方法,建立基于UPFC的系统阻尼优化控制模型;其次,建立基于系统阻尼和电压偏差最优控制的UPFC参数改进的飞蛾扑火优化算法(Improve Moth-Flame Optimization,IMFO)模型;最后,通过MATLAB与PSD-BPA联合仿真,以东北某光伏高占比电网实际运行数据为基础,建立光伏高占比电网UPFC参数IMFO优化仿真模型。仿真结果表明,基于IMFO算法优化得到的UPFC控制参数,可有效提高UPFC设备对系统阻尼震荡及暂态电压稳定的支撑能力,与传统的MFO相比具有更好的收敛性。     

基于VMD和射箭算法优化改进ELM的短期光伏发电预测

为了提高光伏发电预测的准确性，提出一种结合变分模态分解（VMD）、改进的射箭算法（AA）和改进的极限学习机（ELM）的短期光伏功率预测模型。首先，将光伏数据进行变分模态分解；然后，利用混合核函数改进极限学习机；之后，利用随机反向学习策略改进射箭算法；最后，通过改进的射箭算法对混合核极限学习机中的核参数寻优并建立预测模型。通过对澳大利亚DKA太阳能中心的数据进行验证，证明该文方法的准确性。