基于改进麻雀搜索算法优化深度学习网络超参数的短期风电功率预测

提出了一种CNN-Attention-BiGRU网络模型,以及采用ISSA优化网络模型超参数的短期风电功率预测方法。首先,设计CNN-Attention-BiGRU深度学习网络,利用CNN-Attention提取数据特征,再利用BiGRU对时间序列的预测;然后,采用ISSA优化CNN-Attention-BiGRU网络超参数,提高模型的预测精度;最后,采用甘肃省某风电场数据集进行验证该预测方法,结果表明,该预测模型有效地提高了预测精度和输出结果的稳定性。     

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。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于EEMD-ALOCO-SVM模型的光伏功率短期区间预测

光伏发电功率的预测方法目前分为点值预测和区间预测两类，但点值预测方法难以适应光伏功率的随机性和波动性，因此，该文构建一种基于集合经验模态分解（EEMD）和混沌蚁狮算法（ALOCO）的支持向量机（SVM）光伏功率区间短期预测模型。首先，通过灰色关联度筛选出不同环境条件的相似日样本集，并利用EEMD将光伏出力序列分解成不同的本征模态函数；然后，利用混沌蚁狮算法对SVM的误差惩罚因子C和核函数参数γ进行优化，并利用分位数回归法对光伏的输出功率进行短期区间预测；最后，通过算例数据验证所建立模型的有效性。     

基于tGSSA-DELM的短期光伏发电功率预测

针对目前光伏发电预测的预测耗时和预测精度不足等问题,提出了一种基于皮尔逊相关性分析、改进的麻雀算法（tGSSA）和深度极限学习机（DELM）的组合预测方法。该方法首先通过皮尔逊相关性分析方法对影响光伏出力的主要因素进行筛选,然后采用黄金正弦搜索策略、自适应t分布和动态选择策略来增强麻雀算法的全局搜索能力和局部寻优能力,最后利用tGSSA群智能优化算法对DELM中的输入权重和偏置进行寻优,在得到最优输入权重和偏置的情况下对光伏发电功率进行预测。以澳大利亚某光伏站一年数据按季节划分后进行预测研究,将本文模型与DELM,SSA-DELM,GA-DELM,ABC-DELM,WOA-DELM进行预测对比,结果表明,相比于其他算法改进模型和传统模型,tGSSA-DELM在预测精度、预测稳定性和工作效率中具有较大优势,具有更强的适用性。     

基于DTW-VMD-PSO-BP的光伏发电功率短期预测方法

针对光伏发电系统短期预测影响因素较多、预测精度较低、稳定度不高等问题,提出一种基于动态时间弯曲（DTW）和变分模态分解（VMD）的粒子群（PSO）优化的BP神经网络光伏发电预测方法。首先使用动态时间弯曲算法对光伏发电功率及影响因素的数据进行测算得到DTW值,再根据DTW值选择对光伏发电功率影响较大的辐射度作为主要影响因素,然后利用变分模态分解将影响因素及光伏发电功率进行分解,降低数据的波动性和非平稳性。运用粒子群优化的BP神经网络对各分量进行预测,然后将预测结果进行叠加,叠加所得结果即为最后预测结果。在Matlab中对该方法和其他神经网络进行算例验证和误差分析,结果表明采用该方法预测结果精度高,稳定性好。     

基于CNN-VMD-PCA特征融合的光伏发电功率预测研究

为了较为准确地预测光伏发电功率，提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)提取光伏光电数据深度特征，然后用变分模态分解方法(Variational mode decomposition, VMD)分解数据原特征，再把分解后的特征和深度特征融合，用主成分分析法(Principal component analysis, PCA)提取融合后特征的主成分，最后用Xgboost(Extreme gradient boost, Xgboost)模型进行功率预测。根据对所提模型的实测评估，并与其他预测模型对比，得出基于CNN-VMD-PCA特征融合的预测模型具有较高预测精度，其拟合优度达0.932,能够得到更可靠的功率预测结果。     

基于EMD-ESNs的光伏系统短期发电量预测

针对光伏系统发电量的影响因素,提出一种基于经验模态分解(EMD)与回声状态网络(ESNs)的组合光伏系统短期发电功率预测方法。通过对同日类型的历史发电功率数据进行EMD,得到其不同尺度的周期分量和趋势分量;滤除其体现数据差异的各个较小周期分量,针对体现数据共性的分量建立ESNs预测模型;最后,将预测值与趋势分量组合得到最终的预测结果。预测结果对比分析表明:该方法与单一回声状态网络、BP神经网络和小波神经网络预测方法相比,计算速度快,预测精度高,稳定性好。     

基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测

针对光伏发电系统预测精度不高等问题，建立以门控循环单元（GRU）为基础的预测模型。使用社交网络搜索算法（social network search）和注意力机制（attention）相结合对构建的门控循环单元进行参数优化，采用K-均值对天气类型进行划分，提出材料生成算法（material generation）对变分模态分解中的模态分解数量和惩罚因子进行寻优来确定最佳组合，实现对初始数据的分解操作。利用社交网络搜索算法超参数优化后的门控循环单元对时序特征进行提取，引入注意力机制对时序输入中重要信息的关注进行加强。选用新疆某光伏电站2021年运行数据进行分析，仿真结果表明：所提出的MGA-VMD-SNSAttention-GRU预测模型能有效提升光伏输出功率预测精度。与SVR、Elman模型相比，平均MAPE分别降低8.14%和8.59%。     

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...     

基于两阶段不确定性量化的光伏发电超短期功率预测

针对光伏功率预测,提出一种光伏发电出力不确定性量化分析的两阶段模型。第1阶段,首先选取待预测日之前一段时间的光伏输出功率历史数据作为训练样本,引入模糊熵（FE）将不同天气类型量化并作为输入量;然后利用集成经验模态分解（EEMD）将光伏发电功率时间序列分解为多个模态分量,再利用Hurst指数分析将不同模态分量重构为中尺度和宏尺度2个子序列,基于双向长短期记忆神经网络并引入注意力机制对重构后的2个子序列分别进行预测;最后对中尺度子序列对应的误差序列进行修正,得到光伏发电出力的点预测结果。第2阶段,根据第1阶段点预测结果得到的误差统计,采用核密度估计（KDE）方法预测光伏发电出力的区间,分别获取在95%、90%、85%及80%置信水平下的区间覆盖率（PICP）。应用中国西北地区某光伏电站运行数据作为算例,验证了该文预测方法的有效性。     

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测

由于光伏发电的随机性和不稳定性会影响功率预测的精度,提出一种基于皮尔逊相关系数（PCC）、K-均值算法（K-means）、变分模态分解（VMD）、麻雀搜索算法（SSA）、核函数极限学习机（KELM）的光伏功率短期预测模型。首先,用PCC选取主要因素作为输入;K-均值算法进行相似日聚类,将历史数据聚类为晴天、多云和雨天;其次,VMD对原始信号进行分解,充分提取集合中的输入因素信息,提高数据质量;SSA优化KELM模型的核函数参数和正则化系数解决其参数选择敏感问题;最后,将不同序列预测值叠加得到最终预测结果。仿真结果表明,所提相似日聚类下PCC-VMD-SSA-KELM模型具有较小的预测误差。     

基于改进神经网络的光伏发电功率短期预测方法研究

针对光伏发电中因多种随机因素引起的输出功率不确定性问题,文章结合思维进化算法和BP神经网络算法建立了光伏发电功率的短期预测模型,模型的输入因子为大气温度、辐照度、风速和历史输出序列。根据季节变化采用4个预测单元对预测模型进行训练和电站出力预测,并通过仿真对所提算法的有效性和准确性进行验证。结果表明,MEA-BP模型能有效降低BP网络模型的预测误差。     

基于MEEMD-QUATRE-BILSTM的短期光伏出力区间预测

提出一种基于改进集成经验模态分解（MEEMD）和拟仿射变换（QUATRE）优化双向长短期记忆神经网络（BILSTM）的光伏出力区间预测模型。通过主成分分析法（PCA）对时间序列进行降维处理，利用K-均值算法将降维数据分成3种类型气象数据；然后采用MEEMD对每类光伏出力序列进行分解，将其输入QUATRE优化BILSTM神经网络和核密度估计算法（KDE）联合构建的短期光伏出力区间预测模型。最后基于宁夏光伏电站实例仿真评估模型区间预测性能，实验结果表明该模型可生成高水平光伏预测区间，能够为电力系统经济稳定运行提供可靠的决策保障。     

基于KPCA-ISSA-KELM的光伏阵列故障诊断方法

为提高光伏阵列故障诊断的精度,提出一种基于核主成分分析（KPCA）和改进麻雀搜索算法（ISSA）优化核极限学习机（KELM）的光伏故障诊断方法。利用KPCA降维提取故障数据的非线性特征,减少外界条件产生的冗余数据,有效提高复杂故障识别准确率。通过融入Levy飞行和自适应权重t对麻雀搜索算法进行改进,并利用ISSA对KELM中的核参数γ和正则化系数C进行优化,建立了基于KPCA-ISSA-KELM的光伏阵列故障诊断模型。实验结果表明,经ISSA优化KELM的光伏阵列故障诊断模型与其他光伏阵列诊断模型相比,在故障诊断精度上达到97%,验证了该模型的准确性和有效性。     

基于PCA-GA-Elman的短期光伏出力预测研究

针对光伏发电出力随机变化,提出一种PCA-GA-Elman模型对光伏有功功率进行短期预测方法,用于提高电网对可再生能源的调度能力。该方法首先采用主成分分析法对原始数据进行降维;接着使用遗传算法对Elman神经网络的反馈因子进行寻优;然后利用训练集构造PCA-GA-Elman预测模型;最后在对比仿真中验证所提方法的有效性。     

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DsRNN和多源气象数据的光伏发电功率短期预测

针对传统循环神经网络(RNN)长时间使用会存在梯度爆炸以及在处理长时间序列时容易忽略重要时序信息的不足,本文提出一种结合注意力机制(Attention)的双重选择循环神经网络(Double selection Recurrent Neural Network, DsRNN),面向短期光伏发电功率预测的模型。首先,引入气象影响因子数据并根据相关性大小进行修正处理,改变原有单一输入源建立新的数据集;然后,融合注意力机制,提取光伏发电功率的时序特征,挖掘数据之间的深层联系;最终,实现对分布式光伏发电进行较有效、精准的短期功率预测。仿真结果表明：气象数据的输入以及DsRNN光伏发电功率预测模型的使用能完成较高精度的预测任务,误差更小。     

基于EEMD-IWOA-TCN的电网短期负荷预测

为提高较少输入特征下对电网负荷的预测精度,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、改进鲸鱼优化算法(improvewhaleoptimizationalgorithm,IWOA)和时域卷积网络(temporal convolutional network,TCN)相结合的电网负荷预测方法。首先,使用EEMD对原始序列进行分解,得到具有较高细粒度的负荷分量序列;其次,采取相关性分析对分量进行融合,对融合后的分量序列分别建立TCN预测模型;然后,使用IWOA对TCN内部的超参数进行优化,提升模型训练速度和预测性能;最后,将各分量序列的预测值进行累计,输出最终负荷预测值。实证分析表明：所提方法具有较高的预测精度和良好的鲁棒性。     

基于EEMD和BP神经网络的短期光伏功率预测模型

摘要： 为了实现对并网型光伏电站调度,提出了一种基于集合经验模态能分解（EEMD）与BP神经网络的短期光伏出力的组合预测模型。利用集合经验模态分解将光伏出力序列分解,得到本征模函数分量IMF和剩余分量Res,降低序列的非平稳性。采用游程检验法优化因IMF分量数量多造成的建模过程复杂的问题,针对优化后的分量分别建立相应的BP神经网络预测模型。利用该方法对额定容量为40 kW的光伏系统进行预测,并与EMD-BP神经网络和传统的BP神经网络模型进行比较分析。结果表明,所提出的方法有效地提高了预测精度。