基于特征构造和改进PSO算法的分布式光伏功率预测

分布式光伏由于其历史数据缺乏,光伏出力的预测精度不高,提出改进粒子群优化算法(PSO)+长短时记忆网络(LSTM)与注意力机制结合的神经网络模型。构造基于聚类算法的特征工程扩充数据集;给出局部最优判据改进粒子群算法并应用于模型的超参数优化,提升模型泛化性;采用注意力机制与LSTM相结合的架构进行短期功率预测。在澳大利亚公开数据集上的实验表明,新的特征工程与光伏出力具有相关性,预测精度相比传统LSTM模型精度提高17.4%,且改进PSO算法相比标准算法收敛性更好。     

基于数据优化的改进深度学习方法光伏出力超短期预测模型

为解决光伏出力超短期预测模型精度不足和运算速度慢的问题,本文提出了一种基于数据优化的改进深度学习方法光伏出力超短期预测模型。首先,为提升模型的计算效率,通过数据预处理和动态指数平滑法对样本数据进行优化;随后,应用卷积神经网络算法(CNN)构建的多阶卷积通道合并运算挖掘不同光伏电场间的时空耦合关系,得到反映多光伏电场光伏出力的融合特征值,将得到的融合特征值作为输入,利用改进深度学习算法进行分析,输出不同天气情况下的光伏超短期预测结果,以提高模型的预测精度;最后,基于实测光伏出力数据进行超短期预测,验证所提模型的有效性和准确性。算例分析表明,所提预测模型相比传统的超短期模型具有计算速度快和预测准确度高的优点。     

基于分布式光伏功率分区拟合的统调负荷预测方法

分布式光伏的大规模接入对地区统调负荷预测准确率带来极大影响,因此提出了一种基于分布式光伏功率分区拟合的统调负荷预测方法.首先将分布式光伏覆盖区域进行分区,针对每个小区域,采用区域内集中式光伏功率预测数据对分布式光伏出力进行类比预测;然后将各个小区域内分布式光伏出力预测数据进行累加得到全地区分布式光伏出力预测值;最后在此基础上对地区统调负荷进行预测.该方法在张家口地区负荷预测工作中取得了良好效果,有效提高了地区统调负荷预测准确率.     

考虑分散接入配电网的光伏系统对母线负荷预测影响的功率预测技术研究

基于提出的功率渗透率指标和负荷数据重构方法,分析分散接入配电网的光伏系统对常规负荷预测模型及其精度的影响。在分布式光伏渗透率分别为0%、5%、10%、15%、20%、24.46%、30%、35%、40%、50%、60%和75%下,短期负荷预测精度呈现明显下降趋势,可见,分布式光伏有功出力有必要作为负荷补偿原始负荷。文章提出基于BP神经网络的分布式光伏短期功率预测模型,详细分析其模型训练和验证过程,通过分析典型日的分布式光伏功率预测精度,该模型具备工程化应用能力。     

超短期光伏出力区间预测算法及其应用

光伏出力预测能为电力系统经济安全运行提供重要依据,传统预测方法多为确定性点预测,其结果一般有不同程度的误差,概率性区间预测方法能有效描述光伏出力的不确定性因而逐步受到重视。针对超短期光伏出力区间预测问题,提出一种基于粒子群优化与边界估值理论的预测模型,用于光伏出力区间预测。通过利用粒子群算法对边界估值理论的输出权值进行优化,能够直接、快速地寻找最优的预测区间上下限,从而克服传统区间预测方案中计算量大与需要数据分布假设的限制,实现对超短期光伏出力的区间预测。最后,基于澳大利亚昆士兰大学光伏电站实例仿真验证模型,评估不同置信水平下模型的区间预测性能,并与传统的点预测方案进行对比,结果表明,所提出模型能生成高质量的超短期光伏出力区间预测,能够为光伏并网安全稳定运行提供更好的决策支持。     

基于动态关联表征与图网络建模的分布式光伏超短期功率预测

现有方法忽略了分布式光伏时空关联性的动态变化,难以有效利用时空特征信息提升功率预测精度。考虑到分布式光伏出力的强波动特性与分布式光伏集群强时空关联性,提出一种基于时空关联动态表征与图卷积网络建模的分布式光伏超短期功率预测方法。首先,将各分布式光伏复杂出力序列分解为相对简单、波动较小的多个波动模态分量。然后,考虑到分布式光伏场站间时空关联性动态变化,利用数据驱动方式提取各类波动模态分量表征的各分布式光伏间深层次时空关联关系,并构建由各波动模态分量表征的多个动态时空图结构。在此基础上,建立考虑动态时空关联性的图卷积预测模型,针对不同模态下出力子序列分别预测,而后重构得到各场站功率进而获取区域分布式光伏总功率。最后,基于真实分布式光伏出力数据验证了所提方法的优越性。     

基于EMPC的分布式光伏集群频率控制策略

为提升光伏发电并网效果，发挥分布式光伏的调频能力，提出一种基于EMPC（扩展模型预测算法）的分布式光伏集群频率控制策略。首先，基于模糊子空间聚类算法，考虑集群电压稳定和辅助调频性能，选取合适的分群指标，将大规模分布式光伏单元划分成基于分群指标的分布式光伏集群；然后，基于分群结果构建分布式光伏集群模型，引入状态扩展变量获得系统频率响应的动态预测模型，设计考虑分布式光伏集群出力预测误差和集群控制增量的EMPC目标函数对模型进行滚动优化和反馈校正；最后，在不同工况下进行仿真分析，结果表明所提控制策略可以提高分布式光伏集群并网的频率支撑能力，降低系统的功率损耗。     

基于空间相关性的分布式光伏超短期预测技术研究

因历史出力数据的缺失及精确数值天气预报的无法获取,很大比例的分布武光伏电站不能利用现有成熟技术对其出力进行超短期预测。提出了一种基于空间相关性的分布式光伏超短期功率预测技术。基于分层聚类算法对光伏电站间空间相关关系进行判断及匹配,从而得到目标光伏电站到参考光伏电站的空间映射关系。基于BP~人工神经网络算法对参考光伏电站的超短期功率进行预测,并将预测结果作为空间映射关系的输入,计算出目标光伏电站的超短期功率预测。仿真算例结果表明:基于空间相关性的预测方法利用最近48 h内的历史出力,达到了精度较高的超短期预测效果。     

一种基于IGWO-SNN的光伏出力短期预测方法

光伏出力短期预测对于电网或微电网的能量管理和优化调度具有重要意义。构建了一种基于改进灰狼学习算法(improved grey wolf optimization, IGWO)的脉冲神经网络(spiking neural network, SNN),并将其应用到光伏出力短期预测中。首先,利用灰色关联分析法选取相似日。然后,提出一种IGWO算法用于SNN模型训练,通过引入基于三角函数规律变化的非线性下降收敛因子和动态权重更新策略,提升SNN的编码和预测的性能。最后,利用实证系统对所提方法进行了评估,并与其他3种模型进行了对比研究。结果表明,所提方法预测性能提升明显。     

跟踪光伏计划出力偏差的储能容量配置研究

不同典型天气下光伏出力预测误差具有明显差异,为保证分布式光伏集群友好接入,提出一种考虑光伏发电功率预测误差不确定性的共享储能容量配置方法。首先基于注意力机制和长短时记忆神经网络（long-term short-term memory neural network,LSTM）对分布式光伏出力进行预测,再与不同典型气象条件下的光伏出力实际值进行对比得到预测误差。然后以共享储能配置成本最优为目标,建立跟踪光伏出力计划偏差的共享储能容量配置模型,通过引入鲁棒机会规划约束来描述预测误差的不确定性,并采用凸逼近方法将原模型转化为确定性模型进行求解。仿真结果表明,所提方法在保证补偿效果的同时能最大提升储能配置的经济性。     

基于空间相关性的分布式光伏出力预测

随着分布式光伏在配电网的渗透率不断上升,其出力波动将成为调度运行中不可忽略的一项不确定因素。基于同一地区光伏出力变化的相关性,提出一种基于空间相关性的分布式光伏出力预测方法。先对同一地区集中式、分布式光伏出力历史数据做无遮归一化,以无遮系数表征光伏出力不确定性;再由K-means聚类方法对天气情况分类,建立基于Copula函数的各类天气工况下光伏出力的相关性模型;最后根据集中式光伏出力信息实现分布式光伏出力预测。以我国北部某城市光伏电站数据为算例,验证了该方法的有效性。     

基于细粒度特征的BOA-GBDT光伏出力预测EI北大核心CSCD

光伏出力与天气模式密切相关,深度挖掘天气模式特征信息能有效提高光伏出力预测精度。由于信息粒度的粗细程度对光伏出力预测的精度有影响,使用粗粒度的原始特征或聚类特征的传统光伏出力预测方法在预测精度方面存在提升空间。针对以上问题,提出了一种基于细粒度特征的贝叶斯优化梯度提升树(Bayesianoptimizationalgorithm gradient boosting decision tree,BOA-GBDT)光伏出力预测方法,该方法首先对日间每条气象监测数据及光伏出力监测数据构建细粒度特征,包括瞬时天气模式特征及时窗趋势性特征,然后采用贝叶斯优化算法(Bayesianoptimization algorithm,BOA)对细粒度特征的种类进行约减,最后通过(gradient boosting decision tree,GBDT)模型拟合特征与光伏曲线的关系,建立BOA-GBDT光伏出力预测模型。对实际算例进行误差分析,结果表明相比传统支持向量机(support vector machine,SVM)方法,该方法构建的预测模型运行时间平均减少97.3%,均方根误差平均减少80.4%。验证了该方法的有效性。     

基于细粒度特征的BOA-GBDT光伏出力预测

光伏出力与天气模式密切相关,深度挖掘天气模式特征信息能有效提高光伏出力预测精度。由于信息粒度的粗细程度对光伏出力预测的精度有影响,使用粗粒度的原始特征或聚类特征的传统光伏出力预测方法在预测精度方面存在提升空间。针对以上问题,提出了一种基于细粒度特征的贝叶斯优化梯度提升树(Bayesianoptimizationalgorithm gradient boosting decision tree, BOA-GBDT)光伏出力预测方法,该方法首先对日间每条气象监测数据及光伏出力监测数据构建细粒度特征,包括瞬时天气模式特征及时窗趋势性特征,然后采用贝叶斯优化算法(Bayesianoptimization algorithm,BOA)对细粒度特征的种类进行约减,最后通过(gradient boosting decision tree,GBDT)模型拟合特征与光伏曲线的关系,建立BOA-GBDT光伏出力预测模型。对实际算例进行误差分析,结果表明相比传统支持向量机(support vector machine,SVM)方法,该方法构建的预测模型运行时间平均减少97.3%,均方根误差平均减少80.4%。验证了该方法的有效性。     

含高比例分布式光伏的配电网多目标概率规划方法

针对分布式光伏出力不确定性造成的配电网规划成本增加、运行稳定性降低问题,文章提出了一种含高比例分布式光伏的配电网多目标概率规划方法。通过K-means聚类对光伏出力数据进行场景削减,得到典型场景集及其概率模型,基于蒙特卡洛概率潮流生成不确定性场景,模拟分布式光伏实际运行情况。基于所得不确定性场景,建立双层概率规划模型：上层以投资建设成本最小和光伏渗透率最大为目标,对分布式光伏及储能进行选址定容,下层考虑分布式光伏出力的不确定性,以概率潮流下的运维成本、网损成本、购电成本和电压偏差指数最小为目标,对分布式光伏出力以及储能各时段充放电功率进行优化。采用改进的粒子群(particle swarm optimization, PSO)算法对概率规划模型进行求解。采用安徽某地光伏出力作为典型数据,以IEEE 33节点系统为算例开展多场景算例分析,结果表明：与传统规划方法对比,所提方法能够提升光伏渗透率和配电网运行稳定性,并降低综合成本。     

基于相似日匹配及TCN-Attention的短期光伏出力预测

短期光伏出力预测对电力系统生产调度计划的合理制定极其重要,有助于促进光伏发电并网和消纳。光伏出力受气象特征影响较大,其过程具有波动性、间歇性、不可控等特点,导致快速、精准地进行短期光伏出力预测成为一项挑战。对此,文章提出一种基于相似日匹配及TCN-Attention的组合预测模型。首先,文章采用时间序列形态聚类算法和最大信息系数对光伏出力的相似性进行刻画,避免全部历史数据作为输入所产生的数据冗余;然后,利用可并行计算的时序卷积网络学习光伏出力特征,引入Attention机制突出关键气象特征的影响,有效提高模型训练速度和预测精度。基于实际数据的实验结果表明,较之其他预测方法,文章提出的方法具有信息提取直接、训练速度快、预测精度高等优点。     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

灰色动态BP神经网络在光伏短期出力预测中的应用

针对传统BP神经网络在光伏发电短期出力预测中的不足,提出并实现了一种基于灰色动态BP神经网络的光伏发电短期出力预测模型。通过灰色系统理论对BP神经网络因子集进行优化,同时对BP神经网络的隐含层节点数进行动态调节。将提出的模型应用于真实的光伏电站短期出力预测中,预测结果和实测结果吻合度较高,验证了模型的有效性。     

基于模型预测控制的厨余垃圾处理厂分布式发电系统优化调度

在厨余垃圾处理厂中,为了充分利用分布式光伏发电系统,满足厂用电需求,减少电网用电量的同时降低对电网的冲击,提出基于模型预测控制的分布式发电系统优化调度策略。首先,对分布式光伏发电系统出力进行日前预测,结合厂用电计算出对主网用电量的需求计划。然后,基于模型预测控制对储能系统出力进行滚动优化调度,通过合理调整储能系统出力来平抑分布式光伏发电系统出力预测误差。最后,以某厨余垃圾处理厂实际算例进行验证,并对其经济效益与环境效益进行测算,结果表明所提策略具有较高的环境和经济效益。     

基于时空信息组合的分布式光伏功率预测方法研究

为保障电网安全稳定运行,提高光伏电站经济效益,需要进一步提升光伏功率预测的准确性。为此提出一种基于时空信息组合的分布式光伏功率预测方法。首先,基于极度梯度提升-长短时记忆神经网络（XGBoost-LSTM）集成模型,利用光伏历史数据时间序列进行预测;然后,基于最小二乘支持向量机（LSSVM）模型,利用光伏电站间的空间相关性进行预测;最后,基于信息熵的基本原理,结合多误差评价角度改进的信息熵确定2种单一预测方法的权值,构建时空信息组合预测模型。研究结果表明：基于多误差评价标准的信息熵权的XGBoost-LSTM+LSSVM模型的平均绝对误差与基于交叉熵的组合模型和基于信息熵的组合模型相比,分别下降1.6%、8.3%;结合单一预测模型的优势,组合模型可降低预测误差,基于多误差评价标准的信息熵组合模型具有更高的鲁棒性与综合性能,可提升分布式光伏功率预测的准确性。     

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。