基于VMD-ISSA-LSTM的短期光伏发电功率预测

针对光伏发电功率存在随机波动性的问题,提出基于变分模态分解(variational mode decomposition, VMD)和改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化长短期记忆(long short term memory, LSTM)神经网络的短期光伏发电功率预测方法。首先,通过VMD算法将多维光伏特征数据分解为若干不同频率的本征模态和残差分量,以降低原始序列的非平稳性;然后,采用ISSA对LSTM神经网络超参数进行全局寻优,建立了不同模态序列分量下的ISSA-LSTM组合模型;最后,使用训练好的组合模型对各分解的子序列模态特征分量进行多维预测,并将各层模态预测序列叠加组合成最终的输出结果。仿真结果表明,构建的VMD-ISSA-LSTM组合模型相较于常规的短期光伏发电功率预测模型,具有更强的鲁棒性和高精度性。     

基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测

由于风力发电的随机性和间歇性,风功率预测不仅需要准确的点预测,而且需要可靠的区间预测和概率预测来量化风功率的不确定性。提出了一种基于变分模态分解（variational mode decomposition,VMD）和分位数卷积-循环神经网络的风功率概率预测模型。首先,使用VMD技术将原始风功率数据序列分解为一系列特征互异的模态分量,再通过卷积神经网络（convolutional neural network,CNN）提取反映各模态分量动态变化的高阶特征。然后,基于提取的高阶特征进行分位数回归建模,采用长短期记忆（long short-term memory,LSTM）循环神经网络预测未来任意时刻不同分位数条件下的风功率值。最后,利用核密度估计（kernel density estimation,KDE）得到风功率概率密度曲线。以中国某风电场数据作为算例测试,证明了所提出模型的有效性。     

基于VMD-ISSA-KELM的短期光伏发电功率预测

针对光伏发电功率存在随机性和波动性较强、预测精度较低的问题,提出了一种基于变分模态分解(variationalmodedecomposition, VMD)和改进松鼠觅食算法优化核极限学习机(improvedsquirrelsearchalgorithm optimization kernel extreme learning machine, ISSA-KELM)的预测模型。首先,利用高斯混合模型(Gaussian mixture model, GMM)将光伏发电功率数据进行聚类,得到不同天气类型下的相似日样本。其次,利用VMD对原始光伏发电功率序列进行平稳化处理,得到若干个规律性较强的子序列。然后,对不同子序列构建KELM预测模型,并使用ISSA优化KELM的核参数和正则化系数。最后,将不同子序列的预测值进行重构,得到最终预测结果。结合实际算例,结果表明：所提出的VMD-ISSA-KELM模型在不同天气条件下均能得到满意的预测精度,且明显优于其他模型,验证了其有效性和优越性。     

基于变分模态分解的混合储能系统协调控制

针对自然条件下光伏电源出力的波动性和间歇性,以铅酸蓄电池和超级电容器组成的混合储能系统为基础,提出了一种基于变分模态分解（variational mode decomposition, VMD）的储能系统功率分层分配方法。储能系统承担的净负荷经过VMD分解后的高频波动分量分配给超级电容器承担,趋势分量分配给蓄电池承担;同时根据各储能单元的实时最大可充放功率和荷电状态对初级功率分配进行二次修正。仿真实例表明,该方法可有效平抑净负荷波动,并实现了储能系统调节特性的优化和储能单元的长期稳定运行。     

基于变分模态分解和CNN-GRU-ED的超短期互感器误差预测

准确的误差预测对及时发现互感器运行中的稳定性问题和保证电能贸易的公平性具有重要的意义。提出了一种基于变分模态分解(variational mode decomposition, VMD)和卷积神经网络-门控循环单元编解码模型(convolutional neural network-gated recurrent unit encoder to decoder moder, CNN-GRU-ED)的互感器误差超短期预测方法。首先,针对特征数目增多所带来的数据分析问题,利用传递熵(transfer entropy, TE)对原始特征进行降维,得到高相关性特征集。其次,将波动性较强的原始误差序列分解成为高、低频模态分量,同时引入粒子群优化算法(particle swarm optimization, PSO)确定VMD的关键参数。最后,对各分量分别建立相应的CNN-GRU-ED预测模型,将预测结果叠加得到最终预测值。以某变电站运行数据进行实验,结果表明所提出的方法在单步和多步预测问题上,相较于其他模型具有更好的预测效果。     

变分模态分解在电力系统谐波检测中的应用

针对电能质量分析中的谐波检测问题,将变分模态分解(VMD)应用到电力系统谐波检测中。利用VMD对信号的频带划分能力,实现各谐波模态的有效分离。对谐波信号进行频谱预分析确定VMD模态分解数,采用Hilbert变换提取各谐波模态幅值、频率等特征信息,通过基于奇异值分解的扰动定位方法对暂态谐波起止时刻与幅值变化时刻进行准确定位。不同类型谐波信号仿真实验验证了该方法的有效性,在无噪声与较低信噪比情况下均具有较高检测精度,具有良好的噪声鲁棒性。     

基于回归—马尔科夫链的光伏发电功率预测

随着光伏发电系统在电网中的比重逐步增大,其对电网的影响也越来越大。提前对光伏发电功率进行准确预测有利于电网及时调度、保证电能质量,从而保证电网的安全运行。针对光伏发电功率预测问题,给出一种基于回归分析和马尔科夫链的发电功率预测模型。考虑到季节、天气类型和气象等主要影响因素,通过回归模型得到初步预测值和相对残差序列,再结合马尔科夫链理论建立状态转移概率矩阵,从而修正误差序列,提高算法的精度。根据某光伏电站的实测功率数据对所提模型进行测试评估,验证了回归分析和马尔科夫链组合模型的准确性、简便性和适用性。     

信号分解技术在新能源发电功率预测中的应用评述

非平稳性是影响风电功率序列和光伏功率序列精准预测的主要问题。信号分解技术能够将非平稳功率序列分解为若干不同频率的固有模态分量,从而平缓序列的波动程度,提取序列特征,建立具有强适应性的预测模型,实现预测精确度的切实提高。首先将信号分解技术进行归类划分,从时域分解和频域分解两个角度系统评述了国内外研究人员对信号分解技术的应用研究现状;其次,从风电和光伏功率预测两个方面详细评述了信号分解技术的应用研究实例并通过实际分解结果对比了分解技术的优缺点;最后,总结了信号分解技术的应用场景,并对分解技术的应用领域和提高预测精度的研究方向进行了展望。     

灰色-马尔可夫链统计组合模型在光伏发电功率短期预测中的应用

光伏系统输出功率具有随机性和波动性的特点,光伏系统并网以后可能引起运行和可靠性问题。提前对光伏发电功率进行准确预测有利于电力部门及时调度和保证电能质量,从而保证电网的安全运行。在分析灰色预测模型局限性的基础上,将灰色-马尔可夫链组合预测模型应用到光伏功率短期预测中,并阐述了其建模原理。通过对灰色模型拟合值的相对残差序列进行分析及建立马尔可夫链状态转移概率矩阵,得出灰色-马尔可夫链预测模型。通实际算例分析,证验了所提组合模型的准确性和简便性。     

基于改进变分模态分解的SRM功率变换器故障诊断方法

为实现开关磁阻电机功率变换器故障诊断,本文提出了一种改进变分模态分解结合奇异值分析的方法,基于经验模态分解自适应特性和中心频率确定变分模态分解的分解数,并对故障相电流进行处理,根据互信息分析选择最佳模态分量构造初始特征矩阵,进行奇异值分解后计算归一化奇异值作为特征向量,输入支持向量机分类器进行故障识别。为验证诊断方法的可行性,建立了仿真模型与其他诊断方法进行了对比;搭建了开关磁阻电机实验台,测试了开路、短路故障状态,仿真和实验结果均表明本文所提方法可减小噪声影响,提高故障识别准确率。     

基于VMD和双重注意力机制LSTM的短期光伏功率预测

提出了一种基于变分模态分解(VMD)和双重注意力机制长短期记忆(LSTM)的短期光伏功率预测方法.针对光伏功率信号的波动性和非平稳性,利用VMD将光伏功率输出分解为不同频率的分量,使用LSTM对各分量进行预测,并在LSTM基础上引入特征和时序双重注意力机制.为自主挖掘光伏功率输出与各气象特征之间的关联关系,避免传统方法...     

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。     

基于特征挖掘的ARIMA-GRU短期电力负荷预测

针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurr...     

Application of the Variational Mode Decomposition for Power Quality Analysis

Harmonics and interharmonics in power systems distort the grid voltage, deteriorate the quality and stability of the power grid. Therefore, rapid and accurate harmonic separation from the grid voltage is crucial to power system. In this article, a variational mode decomposition-based method is proposed to separate harmonics and interharmonics in the grid voltage. The method decomposes the voltage signal into fundamental, harmonic, interharmonic components through the frequency spectrum. An empirical mode decomposition (EMD) and an ensemble empirical mode decomposition (EEMD) can be combined with the independent component analysis (ICA) to analyze the harmonics and intherharmonics. By comparing EMD-ICA, EEMD-ICA methods, the proposed method has several advantages: (1) a higher correlation coefficient of all the components is found; (2) it requires much less time to accomplish signal separation; (3) amplitude, frequency, and phase angle are all retained by this method. The results obtained from both synthetic and real-life signals demonstrate the good performance of the proposed method.     

基于变分模态分解法的MMC半桥串联结构微电网微源功率协调控制

MMC半桥串联结构微电网孤岛运行时,需独立调节各发电单元的输出功率以提高微源利用率,为此提出一种基于自适应变载波层叠调制的微源输出功率协调控制方法。分析各载波对应发电单元的输出功率,并根据一个周期内的投入时间推导出其平均功率。结合电压波动标准,采用变分模态分解提取随机性微源输出功率的低频分量,以此作为各微源的有效输出功率。根据功率大小调整各发电单元对应载波的等效占空比,实现输出功率自适应控制。仿真及实验结果表明,所提出的功率协调控制策略能有效提取随机性微源功率低频分量,并依据功率大小调节各发电单元输出功率,提高了微源利用率。     

基于机器学习的自适应光伏超短期出力预测模型

由于当前国内对太阳辐射强度和云量信息的预报能力较低,气象数据的引入对光伏直接预测法的预测精度提高有限。为解决此问题,基于历史出力数据自身特征的挖掘来提高预测精度,提出一种具有自适应能力的光伏超短期出力预测模型。该模型首先利用已有历史出力数据的小波分析和特征分析结果训练支持向量机(support vector machine,SVM)分类器,通过已建立的SVM分类器利用前30 min的光伏出力数据预测之后15 min的出力曲线类型,最后结合曲线类型从自回归与滑动平均模型(auto-regressive and moving average model,ARMA)和神经网络模型(artificial neural network mode,ANN)中选取出合适的方法对光伏出力进行预测。对ARMA、ANN和自适应模型进行了对比实验,结果表明:所提的自适应预测模型在均方根误差(root mean square error,RMSE)、平均绝对百分比误差(mean absolute percentage error,MAPE)和希尔不等系数(Theil inequality coefficient,TIC)上性能最好。     

基于因散经验模式分解的电力负荷混合预测方法

针对目前常用负荷分析方法多依赖主观经验,而经典经验模式分解有时出现混频现象的问题,提出了一种基于因散经验模式分解的电力负荷混合预测方法。首先,采用经验模式分解的改进算法——因散经验模式分解将负荷序列分解,这样可以自适应地将目标序列分解为若干个独立的内在模式,因此能够克服依赖主观经验的缺点。然后,将这些内在模式基于fine-to-coarse重构为高频、低频和趋势3个分量。在对各分量特性进行分析的基础上,分别采用支持向量机、自回归移动平均和线性回归模型对其进行预测。最后,将3个分量的预测结果叠加作为最终的预测值。利用上述方法对某电网进行24点负荷预测,结果表明该方法可以有效地提高负荷预测精度。     

基于灰色关联理论与经验模态分解的光伏出力超短期预测

光伏出力受太阳辐照度、温度、瞬时云团等影响,出力序列呈现明显的非平稳特性,给预测工作带来难度。为降低出力波动性对预测效果的影响,满足光伏出力超短期预测对预测精度的需要,提出两阶段构建输入样本的方法,首先使用灰色关联度理论构建待预测日的相似日样本集合,再使用经验模态分解法拆解相似日历史出力,得到振动模态相对平稳的本征模函数及剩余分量后,使用支持向量机模型对每个分量进行滚动预测,最后将预测结果重构得到下一时刻的点预测值。实例证明,该组合模型的均方根误差可达到1.93,实现了较高精度,可以为光伏出力调度工作提供更多决策依据。