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BP神经网络的光伏发电短期出力预测

分析了影响光伏发电出力的主要因素,建立了基于BP神经网络的光伏发电短期出力预测模型。利用光伏电站的出力数据和气象数据对BP神经网络进行训练,根据光伏出力影响因素的分析,将不同日类型的日发电功率数据进行处理,将其映射为日类型指数作为神经网络训练、预测的输入。文章建立的预测模型可以对不同天气类型下一天各时段的出力进行预测,预测结果与实测值的比较结果表明,该模型有比较准确的预测能力和较强的适用性。     

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。     

基于多源数据融合的分布式光伏聚合超短期预测方法

分布式光伏聚合发电的超短期预测是支撑其功率快速调节的前提保障,由于规模化接入的分布式光伏容量小、分布广,其发电时序特性差异性大、非平稳性强,导致其超短期预测精度难以保证。为此,文章提出基于多源数据融合的分布式光伏聚合超短期预测方法。该方法基于变分模态分解法,充分挖掘分布式光伏聚合发电非平稳性特性,并采用核主成分分析法对引发光伏发电非平稳性的影响因素即温度、湿度、光照、云量等多源数据进行量化解析,同时结合改进的长短期记忆神经网络,创建了多源数据融合方法,实现了分布式光伏聚合发电超短期预测。仿真结果表明,该方法有效提升了模型的预测精度。与传统方法相比,提出的预测方法对随机性波动严重的光伏超短期预测具有显著优势。     

基于CA-SE-GA-BP的光伏发电功率预测

针对光伏发电功率预测精度低的问题,以澳大利亚爱丽丝泉地区某200kW的光伏电站为例,选用遗传算法(GA)优化BP神经网络,采用相关性分析法(CA)确定太阳辐照度、温度、湿度为影响光伏发电功率的主要因子,结合经样本熵(SE)量化的天气类型作为模型输入量,提出CA-SE-GA-BP神经网络的光伏发电功率预测模型。结果表明,多云天气下CA-SE-GA-BP神经网络均方根误差、平均绝对百分比误差分别为4.48%、2.27%,晴天、雾霾、雨天三种天气类型下的预测误差也基本上不超过10%,相较于SE-GA-BP、CA-GA-BP、GA-BP神经网络,CA-SE-GA-BP神经网络预测误差降低,为解决光伏系统发电功率预测提供了一种高效准确可行的方法。     

基于CNN-Bi-LSTM的太阳辐照度超短期预测

针对太阳辐射引起光伏出力的不确定性和波动性,进而造成大量光伏发电并网时对电网稳定性和安全的危害,提出一种新的太阳辐射超短期预测方法.该方法通过构建一维卷积神经网络,对多个关键气象变量进行数据融合和特征转换,然后构造双向长短期记忆网络预测模型,实现对未来15 min的太阳总辐照度的超短期预测.实验结果表明,所提出的预测模...     

基于PCA-GA-ELM的光伏发电功率预测研究

针对目前光伏发电功率预测方法所存在的预测精度较低和不同天气类型适应性较弱的问题,提出一种利用主成分分析(PCA)和遗传算法(GA)改进极限学习机(ELM)的光伏发电功率预测模型(PCA-GA-ELM预测模型)。该模型的计算过程:首先,基于季节因素和天气类型等气象因素对于光伏发电系统的影响,在不同季节下建立了不同的子模型,并利用灰色关联分析法选取同种天气类型下的相似日;然后,利用PCA将多个原始输入变量降维成少数彼此独立的变量;最后,利用GA对ELM的初始权值和阈值进行寻优。此外,文章利用光伏电站的实际发电功率数据对预测模型进行验证。分析结果表明,PCA-GA-ELM预测模型具有较高的预测精度和较强的泛化能力。     

基于人工神经网络和模拟集成的短期光伏发电预测

文章提出了一种基于人工神经网络(ANN)和模拟集成(AnEn)的短期光伏发电预测方法。该方法首先利用数值天气预报模型,以计算天文变量为输入,对光伏发电站点进行72 h的确定性和概率预测;然后分别运用基于ANN,AnEn和ANN+AnEn联合模型方法对3个光伏发电站点进行预测,并进一步利用模拟4 450个光伏电站的综合数据验证了该模型方法的可扩展性;最后利用美国国家大气研究中心(NCAR)的黄石超级计算机,在1个节点(32核)～4 450个节点(141 140核)内测试了该方法的并行运算处理能力。实验结果表明,基于ANN+AnEn联合模型方法可以获得最佳结果,同时证明了该方法适用于大规模并行计算。     

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。     

基于极限学习机的光伏发电短期预测校正方法

光伏发电短期预测在电力系统实时调度中具有重要意义。受诸多因素影响,光伏发电短期预测精度还无法达到光伏电站要求,对光伏并网调度带来较大影响。针对这一问题,提出了基于极限学习机（ELM）的光伏发电短期预测校正方法。说明了光伏发电短期预测中的误差特征,并利用提出的校正方法对原来光伏发电短期预测结果进行了优化。通过与其他方法的对比,验证了此方法的有效性,说明了论文方法能够有效提高光伏发电短期预测精度。     

基于数字孪生和改进LSTM的光伏发电预测技术

为提高光伏发电功率预测的精度和时效性,降低电网调度的安全隐患,提出了一种基于数字孪生模型、联合神经网络以及融合预测模型的光伏发电功率预测技术。该技术以针对常态预测的CNN LSTM网络和针对超短期预测的集成学习融合预测模型为核心,以光伏发电系统的数字孪生模型为基础框架,以某光伏电站的实测数据为基础进行了分析,实现了实时的多模式光伏发电功率精确预测。结果表明：改进的CNN LSTM联合网络模型能够实现较高预测精度,相比于现有的主流预测算法精度提高了约36%~58%;针对超短期的发电功率预测这一难点,集成学习融合框架可以进一步将预测精度提高25%左右。     

基于Elman算法的光伏阵列的短期功率预测研究

根据青海某5 MW光伏电场的历史光伏发电功率数据和当地的气象预报信息,分析影响功率预测的主要气象因素。采用Elman神经网络算法,结合与预测日同日类型下整点时刻的气象数据和光伏输出功率数据,建立光伏发电短期功率预测模型。对不同日类型的光伏出力的预测结果表明,该短期预测模型具有较高的精度,有助于电网能量的调度,对电力系统的安全稳定运行有积极作用。通过与BP神经网络和非线性状态估计(NSET)算法对比研究表明,Elman神经网络具有更高的预测精度。     

基于时空图卷积神经网络的光伏发电功率超短期预测方法

为了解决传统光伏电站超短期功率预测方法不能同时准确提取发电功率的时间和空间特征的问题,提出一种基于时空图卷积神经网络的光伏发电功率超短期预测方法。针对同一区域内的多个光伏电站,首先对电站进行图建模,利用图卷积网络（GCN）与门控线性单元（GLU）提取发电功率的时空特征。利用提取到的时空特征信息以及区域内光伏电站的历史发电功率数据训练预测模型,最终实现对多个光伏电站发电功率超短期预测。实验结果表明,该方法能够将超短期功率预测均方根误差减小至1.122%,对工作人员根据实际情况进行电网的调度管理具有重要意义。     

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。     

基于改进KPCA和GA-BP神经网络的电能质量稳态指标预测

为提高电能质量稳态指标预测精度,以气象因素、有功负荷及历史电能质量数据作为输入变量,提出一种基于改进核主成分分析(KPCA)和遗传算法(GA)优化BP神经网络的电能质量稳态指标预测方法,首先将改进K-means聚类算法与KPCA相结合,通过改进K-means算法将输入变量划分为不同的子类,降低了核矩阵维数;再利用KPCA提取每类输入变量的非线性主成分,简化网络结构;然后分别将每一类中提取的特征作为BP神经网络模型新的输入变量,并结合GA算法优化BP神经网络参数,建立每一类数据的预测模型。算例应用结果表明,该方法的预测精度明显优于传统BP神经网络预测方法和KPCA+BP神经网络预测方法。     

基于GA-ELM神经网络的逐时太阳辐照量预测

摘要： 太阳能辐照量是影响光伏发电的主要因素,准确的太阳能辐照量预测对于光伏发电具有重要的作用。为提高预测模型对环境因素的敏感性与预测精度,提出基于遗传算法（genetic algorithm,GA）改进极限学习机（extreme learning machine,ELM）的太阳辐照量预测方法。首先,选取与太阳能辐照量相关的候选属性因素,确定输入变量;其次,以2009年到2014年与待预测日相同日期前后15 d范围内数据为训练集;再次,采用GA优化ELM的隐含层输入权值及偏置向量;最后,采用优化后的GA-ELM模型,开展逐时太阳辐照预测模型。实测算例表明,相较ELM、BP神经网络,新方法具有更高的预测精度,能够适应外界气象条件突变情况下的辐照预测需要。