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。     

基于多气象要素降维及改进型变分模态分解算法的光伏发电功率预测模型研究北大核心CSCD

为了精准预测光伏发电输出功率,文章提出了一种基于多气象要素降维、优化后的变分模态分解(OVMD)技术、自适应t分布的麻雀搜索算法(t SSA)和最小二乘法向量机(LSSVM)的光伏发电输出功率预测模型。利用OVMD技术对输入光伏时间序列数据进行分解处理,引入t SSA对利用各模态分量建立的LSSVM模型进行参数寻优,搭建了基于OVMD-t SSA-LSSVM算法的光伏功率预测模型,并使用了中国东南沿海某地区3 a的气象数据和实时的光伏输出功率数据进行模型性能验证,通过与SVM,LSSVM,VMD-LSSVM和VMDSSA-LSSVM 4种模型的预测性能对比,OVMD-t SSA-LSSVM模型的预测精度和拟合效果均最优。实验数据表明,该模型的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别小于3%和0.35,决定系数(R-Square)超过了97%。最后,通过光伏气象要素降维处理,进一步提升了OVMD-t SSA-LSSVM模型性能。     

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SOM聚类和二次分解的BiGRU超短伏功率预测

提出一种基于自组织映射网络（SOM）聚类和二次分解的双向门限循环网络（BiGRU）超短期光伏功率预测方法。首先利用SOM聚类方法将输入数据进行天气分型聚类,以应对不同天气状态对光伏功率输出特性的影响;然后采用奇异谱分析和变分模态分解相结合的二次分解方法进行原始信号分解,减少信号的波动性,降低光伏数据特征映射的复杂度;最后将分解后的信号作为输入,采用BiGRU网络进行时序信息建模,有效结合不同时刻的信号特征,进一步提升功率预测的准确率。与其他几种经典方法相比,该文方法有效提升光伏功率预测的效果。     

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。     

基于变分模态分解和集成学习的光伏发电预测

针对光伏发电量数据的非平稳性造成的发电量预测性能问题,提出一种基于改进变分模态分解和集成学习的光伏发电量预测方法。采用改进变分模态分解方法分解光伏发电量数据获得发电量分量,通过集成学习方法构建发电量分量预测模型;将发电量分量预测值进行组合,获得最终发电量预测结果。实验结果表明,所提方法在公开数据集上对光伏发电量进行预测的均方误差、平均绝对误差、决定系数值分别为0.223 2,0.338 7,0.979 7,与其他方法相比具有更高的预测准确率和更小的误差。     

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。     

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。     

基于相似日和IGA-BP的光伏发电功率预测方法研究

准确预测光伏发电功率有利于并网后电网调度管理,现阶段光伏发电功率预测存在精度较低和对不同天气类型的适应性弱的问题。探索了一种相似日与免疫遗传神经网络（IGA-BP）结合的预测方法：基于天气类型、温度及风速,结合灰色关联度和余弦相似度指标构建气象相似日判别模型;以相似日气象特征向量为输入,建立IGA-BP功率预测模型。利用实测数据对比分析所提IGA-BP模型与GA-BP、BP模型的预测精度,结果为：在不同天气类型下IGA-BP模型具有较高精度,其RMSE平均值为14.142%,TIC平均值为0.017 58,均优于其他对比模型。表明IGA-BP模型能够提高功率预测精度,且具有较高的适应性。     

基于二次自适应支持向量机的光伏输出功率预测

针对传统相似度函数在聚类过程中所存在的问题,提出改进灰色-欧氏距离相似度函数,并将历史样本日模糊聚类分为若干类。另外,考虑到光伏输出数据的复杂性,该文结合小波分解(WD)和集成经验模态分解(EEMD)的各自优势,对光伏数据作双分解处理,得到趋势分量与细节分量,然后采用二次自适应支持向量机模型分别进行光伏功率预测。最后,采用美国俄勒冈州某处光伏发电场的实测数据实验,验证模型的实用性和可行性。     

基于EVMD和布谷鸟算法的短期风功率区间预测

为提高短期风功率预测精度和预测的可控性,提出一种基于能量差优化变分模态分解和布谷鸟优化组合神经网络的短期风功率预测模型。采用能量差优化变分模态分解（EVMD）的模态数,将EVMD用于短期风功率分解,基于EVMD分解序列的不同模态特点,对非线性序列采用布谷鸟优化反向传播神经网络（CS-BPNN）,对平稳序列采用自回归滑动平均模型（ARMA）,并重构加权得到点预测值,并基于EVMD分解所丢失的序列信息构建核密度估计,在点预测模型的基础上,进行风功率的区间预测。将所提预测方法用于澳大利亚风电场的实际算例,实验结果表明,该方法可提高短期风功率预测的准确性。     

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XGBoost联合模型的光伏发电功率预测

提出一种考虑时间序列和多特征的光伏发电功率XGBoost联合预测模型.首先,基于偏最小二乘(PLS)提取影响光伏发电功率的多特征;然后,基于XGBoost算法分别建立发电功率的时间序列预测单模型和多特征预测单模型;最后,通过训练线性模型构建了光伏发电功率联合预测模型.使用某地区光伏电厂运行数据验证,结果证明,所提XGB...     

基于GA-GNNM的极地光伏发电功率预测方法

为了更加准确有效地对极地光伏发电功率做出预测,提出一种基于GA-GNNM的极地光伏发电功率预测方法.首先对采集到的气候因素数据以及光伏发电数据中缺失、异常部分进行清洗归一化处理;通过最大相关最小冗余算法(MRMR)选择最佳的气候特征组合,构建多维气候特征数据集;并将其输入到K均值聚类算法中完成不同季节天气类型聚类划分,...     

基于改进时间卷积网络的短期光伏出力概率预测方法

为提高光伏出力的预测精度，提出基于改进时间卷积网络的短期光伏出力概率预测方法。首先，通过递归特征消除确定特征数量，采用分组整合方法进行特征选择；然后，采用变分模态分解处理光伏出力序列；最后，构建一种结合注意力机制的改进时间卷积网络预测模型，得到未来时刻不同分位数下的预测值，再利用核密度估计得到概率密度曲线。实验结果表明，提出方法具有更高的预测精度，可有效反映光伏出力的不确定性。     

基于STL Former的中短期光伏功率预测

由于光伏发电具有间歇性和波动性,给电网运行的安全性和稳定性造成危害,对光伏功率进行准确预测可以有效解决这一问题。本文提出一种基于STL Former的中短期光伏功率预测模型,该模型结合了季节趋势局部加权回归分解（STL分解）与神经网络模型。首先,STL Former模型将光伏功率数据通过STL分解进行特征扩充,用于提取基于历史序列的周期项、趋势项特征。然后,拼接周期项、趋势项特征和原特征,进行数据预处理和特征编码并使用基于Informer模型的神经网络进行功率预测。最后,在真实数据集上进行大量实验。实验结果表明：STL Former在中短期光伏功率预测任务中精度较高,其中在2 h光伏功率预测任务时,平均绝对值误差为0.176、均方误差为0.180;在28 h光伏功率预测任务时,平均绝对值误差为0.170、均方误差为0.154。     

一种考虑季节特性的光伏电站多模型功率预测方法

随着并网光伏发电容量的持续增加及多能源发电协同利用的需要,光伏发电功率的高精度预测对于提高规模化光伏发电的优化调度和安全运行日益重要。为了解决单一预测模型精度低的问题,提出了一种基于季节气象特征划分的光伏发电多模型预测方法。通过不同季节下光伏发电系统的电气特性和出力特性分析,说明了按照季节来划分功率预测多模型的必要性。以某光伏电站为例,利用BP神经网络建立不同季节的光伏发电预测模型,通过遗传算法优化了季节模型参数。利用实测数据对2种功率预测方法进行了比较,结果表明,该方法能有效提高光伏电站的功率预测精度。