基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

基于小波变换和支持向量机的短期光伏发电功率预测

光伏发电功率预测是减小大规模光伏发电并网对电网造成不良影响的有效手段,对电网调度及光伏电站的优化运行具有重要意义。针对光伏发电功率序列的周期性和非平稳性,本文提出了基于小波变换和支持向量机（Support vector machine, SVM）的预测方法。文中对原始功率序列进行小波分解并单支重构,构成低频趋势信号和高频随机信号,利用具有小样本学习能力强和计算简单等特点的SVM对各小波数据序列分别预测,最终将各预测值合成得到预测功率值。某光伏发电站的实际数据仿真验证了该预测方法的可行性和有效性。     

基于提升小波-BP神经网络的光伏阵列短期功率预测

提高光伏阵列的短期功率预测的精度,对光伏电站运营管理效率具有重要作用。文章提出了一种提升小波变换与BP神经网络相结合的直流侧功率输出预测滑移算法,对光伏阵列的超短期功率进行预测。实验结果表明,文章所提出的算法对超短期功率预测具有较高的精度,适用于晴天、多云、阴雨等复杂天气条件。     

基于小波变换和时间序列的风功率超短期预测模型研究

为提高风功率超短期预测模型的精确度,利用小波变换将原始风功率时间序列进行分解和重构,得到相应的高频序列和低频序列。对不同序列建立相应的自回归移动平均模型,并且进行拉格朗日乘子检验,验证是否具有拉格朗日乘子效应,从而建立相应的自回归条件异方差模型或广义自回归条件异方差模型,将所得的预测结果进行线性叠加组合得出最终结果。通过算例分析及与其他几种预测模型预测结果的对比,结果表明小波变换和时间序列结合的风功率超短期预测模型可以有效提高风功率超短期预测精度。     

非晴空条件下光伏发电短期功率预测方法

针对非晴空条件下光伏发电短期功率预测精度不高的问题,提出一种基于自适应混合核的相关向量机光伏发电短期功率预测方法.通过构造混合核函数和自适应寻优核参数来增强预测模型的泛化和学习能力,建立对多尺度多模态变化数据的映射关系,实现光伏发电功率随机性波动规律的机器学习和有效捕捉.采用关联系数筛选历史相似日,通过历史相似日数据自...     

基于逐步聚类分析的短期光伏发电预测方法

光伏发电功率与气象因素密切相关,可靠的功率预测对光伏入网和电网安全运行具有重要意义。为提高光伏短期发电功率预测的准确率,基于某40 MW光伏电站历史功率和气象数据,在不同季节和天气类型下利用逐步聚类分析方法(SCA)搭建光伏短期预测模型,实现分季节和天气类型的光伏功率预测。模型对比结果表明：逐步聚类分析方法具有较高的预测精度,在四季、单一天气类型和复合天气类型3方面预测精度分别提高了11.13%,9.51%和8.26%。     

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GRU-BLS的超短期光伏发电功率预测

光伏发电功率的准确预测对电网的稳定运行具有重要的意义。针对深度学习训练耗时长和宽度学习特征提取能力弱等问题,将门控循环单元（GRU）与宽度学习系统（BLS）相融合,提出了用于超短期光伏发电功率预测的GRU-BLS模型。先使用GRU训练序列样本,再将所学习到的隐特征作为新的输入特征,最后在BLS中构造特征节点和增强节点以形成最终的特征。所建立的模型在保留深度学习高预测精度的前提下,有效地缩短了模型的训练时间。在实际的光伏发电数据集上进行实验,评估所提模型在不同季节和天气类型下的性能。实验结果表明：与长短期记忆（LSTM）,GRU,BLS和LSTM-BLS等模型相比,GRU-BLS的RMSE值降低了23.89%～75.68%,且TIC值和MAPE值也得到了显著改善。     

混合小波包与纵横交叉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点,提出一种混合小波包变换和纵横交叉算法(CSO)优化神经网络的短期风电预测新方法。该混合方法首先利用小波包变换将风电功率时间序列分解成多个不同频率的子序列,然后采用CSO优化后的神经网络(CSO-ENN)对各分量进行提前24 h预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证。结果表明:新模型的预测精度明显优于其他混合方法和风电场提供的日前预测结果。     

动态组合深度学习模型在短期负荷及光伏功率预测中的应用

人工智能的快速发展为预测问题提出了崭新的解决途径。文章在深入分析深度学习算法发展的基础上,建立了基于深度学习模型动态组合的短期负荷及光伏功率预测模型,在该模型中使用两种深度学习算法(长短记忆网络和深度置信网络)分别对输入数据进行训练,并使用线性模型对各个深度学习的训练结果进行动态结合,而后输出最终的预测结果。此外,文章使用广州的光伏功率数据与短期负荷数据对模拟结果的准确性进行验证。分析结果表明,文章所建立的预测模型具有良好的预测精度。     

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。     

基于小波变换的改进混合蛙跳-差分进化-神经网络预测模型的短期风速预测

针对目前对风速序列短期预测中不同组合算法预测精度较差、适应性不强等问题,提出一种基于小波变换的组合预测模型算法,将风速序列经小波变换降低波动性与无序性,利用混合蛙跳算法(shuffled frog leaping algorithm,SFLA)优化逆向传播(back propagation,BP)神经网络的初始权值与阈...     

基于多分解策略和误差校正的超短期风电功率混合智能预测算法

为了提高超短期风电功率的预测精度,提出一种包含多分解策略和误差校正的混合智能风电预测算法.多分解策略通过改进的经验模态分解对风电功率进行预处理并利用小波变换对预测误差大的序列再次分解,在降低风电功率序列非平稳性的同时大幅降低高频序列的预测误差;然后利用粒子群优化的自适应神经模糊推理系统对误差进行校正,可降低单一预测算法...     

基于小波变换与神经网络的光伏电站短期功率预测

选取具有广阔发展前景的西北荒漠地区(敦煌)10 MW光伏电站为研究对象,采用小波分解与BP神经网络的组合算法,预测相同天气类型下的光伏电站短期功率输出,并与实测光伏电站功率输出对比。结果表明:该模型对于晴天和多云天的光伏功率输出预测是有效的,而西北地区,阴雨天样本极少,因此阴雨天和突变天的功率预测精度还有待提高。该方法在满足光伏发电工程要求的计算精度下,数据量和计算量较小,属于轻量化的计算模型,可为光伏发电工程的发电管理提供支持。     

基于小波分析与神经网络的光伏电站功率预测方法

针对光伏电站输出功率时间序列表征出来的周期性非平稳特性,提出一种基于多尺度小波分解和神经网络相结合的光伏功率预测方法。将光伏电站输出功率时间序列在不同尺度上进行小波分解,得到逼近信号和多层细节信号。利用神经网络逼近非线性函数的能力,选择理论计算太阳辐照强度和气象环境逼近信号作为逼近信号神经网络模型的输入,选择气象环境细节信号作为细节信号神经网络模型的输入。输出结果叠加合成得到原始光伏电站输出功率序列预测值。算例分析表明,该文提出的将光伏电站输出功率时间序列分解为周期性逼近信号和准平稳细节信号,并分别采用神经网络建立预测模型的方法保证算法的收敛性和预测精度。     

基于马氏距离相似度量的光伏功率超短期预测方法的研究

提高光伏功率超短期预测精度可有效减小光伏发电并网对电力系统稳定性的影响。文章提出了一种基于马氏距离相似度量的光伏功率超短期预测方法。首先,文章采用Elkan K-means聚类分析方法对天气类型进行划分,并通过计算各气象因素与光伏电站输出功率间的灰色关联度,选出不同天气类型下影响光伏功率的主要气象因素;然后,根据样本日和预测日间主要气象因素的马氏距离选择若干个相似日,并将相似日的光伏功率作为预测模型的训练集,对预测日的光伏功率进行超短期预测。模拟结果表明:基于马氏距离相似度量得到的相似日光伏功率和预测日的相似度较高;将基于马氏距离相似度量得到的相似日光伏功率作为预测模型的训练集,可以提高光伏功率超短期预测精度,为光伏功率预测领域提供了有效的方法。     

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。     

神经网络短期光伏发电预测的应用研究进展

准确的太阳能发电功率短期预测是保证电力调度和大规模光伏并网的关键。该文对近年来光伏发电功率短期预测研究进展进行综述,并对影响光伏发电功率的各种气象因素进行相关性分析。针对用于光伏发电短期功率预测的人工神经网络模型和深度学习模型进行总结和评述。太阳辐照度是影响预测模型精度的主要气象参数。在光伏发电功率短期预测中,神经网络及其组合模型均表现出较好的预测精度,但组合模型整体上优于单一预测模型。     

计及超短期预测误差的风储系统跟踪计划出力控制策略

在计划跟踪模式下,为最大化风储系统出力的经济效益,提出风储系统的协调控制方法。首先,基于超短期功率预测,以风电场总收益最大为目标,建立风储系统跟踪计划出力的控制模型;然后,利用超短期功率预测数据和历史实际功率数据,建立基于小波变换和序列到序列（sequence to sequence,seq2seq）的超短期预测功率修正模型,对超短期功率预测数据进行误差修正;最后,将基于超短期功率预测的计划跟踪模型与超短期预测误差修正模型结合,提出一种计及超短期预测误差的风储系统跟踪计划出力的控制策略。仿真结果表明：所提策略能显著提高风电计划跟踪精度和风储系统运行经济性、促进风电的消纳。