考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测

为了提高光伏发电功率预测精度,根据不同天气类型下光伏输出功率特点,确定光伏发电功率预测模型的输入量。针对狼群算法（wolf pack algorithm,WPA）缺陷,对狼群游走位置和奔袭步长进行改进,得到改进狼群算法（improved wolf pack algorithm,IWPA）,并通过IWPA对最小二乘支持向量机（least squares support vector machine,lSSVM）进行优化,建立了考虑天气类型和相似日的IWPA-LSSVM光伏发电功率预测模型。采用不同天气类型下的光伏发电功率数据进行仿真,结果表明：无论是晴天、多云还是阴雨天气,所提方法预测精度更高,回归拟合时的误差波动更小。     

基于相似日理论的光伏发电系统输出功率预测

光伏发电系统的输出功率受到太阳辐照强度、辐照时间、气温等多种气象因素的影响,具有一定的时变性和随机性。对各种气象影响因素进行合理的选取和处理,由于具有相似气象条件下的光伏阵列输出功率具有较大的关联性,基于差异性和相关性原理,提出了选择光伏阵列输出功率相似日的方法,设计了基于相似日选取和BP神经网络的光伏阵列输出功率预测模型,利用我国某地光伏发电系统的实测数据对模型进行了验证,结果表明模型有较好的预测精度,具有一定的实用性及可行性。     

基于相似日和径向基函数神经网络的光伏阵列输出功率预测

选取太阳辐照时间、辐照强度以及气温等影响光伏阵列输出功率的主要气象因素,根据相似日的输出功率具有较强的关联度,提出选择相似日的方法,设计基于相似日和径向基函数(RBF)神经网络的光伏阵列输出功率预测模型。选取最邻近的一个相似日与待预测日气象特征向量的差值作为RBF神经网络的输入变量,神经网络的输出值即为待预测日光伏阵列输出功率。以我国西北某地光伏阵列的实测功率数据对所提模型进行训练和验证,得到预测模型的平均绝对百分误差为13.82%,均方根误差为0.4054,验证了所提模型具有较好的精度。     

基于相似日和多集成组合的短期负荷预测

针对短期电力负荷预测精度低、泛化能力弱等问题,提出了一种基于相似日选取与多集成组合的短期电力负荷预测模型.首先利用最大信息准则MIC(maximal information coefficient)选取高相关变量作为模型输入;然后综合考虑MIC与灰色关联度,对气象敏感性较弱地区的负荷进行相似日选取;最后引入集成随机子空...     

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。     

基于图相似日和PSO-XGBoost的光伏功率预测

为充分利用历史信息,最大限度优化模型效果,提高光伏功率预测精度,提出了基于图相似日和粒子群优化极限梯度提升树(particle swarm optimization-extreme gradient boosting tree,PSO-XGBoost)的光伏功率预测方法。将每天由天气特征组成的向量转换成格拉姆矩阵,以便充分挖掘各个向量之间的关系;然后将拉姆矩阵转换为图像,采用结构相似性算法(structural similarity, SSIM)寻找与待预测日最相似的历史日,并选取历史日的光伏功率、待预测日的辐照度、温度、湿度作为极限梯度提升树的输入变量;为充分发挥模型的预测能力,运用粒子群算法优化极限梯度提升树确定最优的超参数,最终输出各时段的光伏功率预测值。利用光伏电站实际数据进行验证,结果表明：相比于未改进的XGBoost模型,所提方法在晴天下的均方根误差(root mean square error,RMSE)降低了31.6%,平均绝对误差(mean absolute error, MAE)降低了31.6%;在多云天气下的RMSE降低了24.1%,MAE降低了40%;在阴雨天气...     

基于相似日和小波神经网络的光伏短期功率预测

光伏发电功率预测对电网的稳定性和安全性具有十分重要的意义。提出了基于相似日和小波神经网络的预测方法,根据相似日理论通过灰色关联系数法选取历史相似日,将选取的6个相似日的发电数据作为模型的输入变量,同BP神经网络、小波神经网络的预测结果进行对比和误差分析。以某光伏电站历史发电数据为例,验证算法的可行性。     

基于相似日聚类和IHGWO-WNN-AdaBoost模型的短期光伏功率预测

为进一步提升光伏输出功率短期预测的准确性和稳定性,提出一种基于相似日聚类的小波神经网络(wavelet neural network,WNN)和AdaBoost的混合预测模型.首先利用模糊C均值聚类(fuzzy C-means algorithm,FCM)算法将初始数据集按照不同的季节和天气类型进行划分;其次选用WNN...     

基于相似日算法及集成学习的短期光伏预测模型

随着分布式发电系统的日益增多,光伏发电预测逐渐成为影响电力系统运行及调度的关键.本文提出一种基于改进相似日算法和集成学习的短期光伏发电混合预测模型.应用改进的相似日算法在历史数据中找到相似日,将相似日数据和气候因素等作为Bagging集成学习的输入变量,对其进行建模训练.通过公开的光伏数据集进行验证,并与传统的神经网络...     

基于天气类型聚类和LS—SVM的光伏出力预测

分析了影响光伏出力的气象因素,结合光伏系统实际运行数据和气象信息,提出一种基于天气类型聚类和LS—SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量,通过计算各向量的加权欧氏距离,筛选出最佳聚类集合,确定训练样本,使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS—SVM模型,输出为待预测日对应时刻的光伏出力。最后通过实际算例分析、评估,验证了所提模型和算法的有效性,并通过增加样本数据点获得了更加精确的预测结果。     

基于相似日和LS-S VM的微网短期负荷预测

为提高微网短期负荷预测的效率和精度,针对微网负荷基数小,波动性和随机性大,历史数据相对短缺的特点,在负荷点空间尺度上,提出一种基于相似日和LS-SVM微网短期负荷预测方法。该方法在预测空间尺度和样本选择上有别于大电网,充分考虑气象因素的累积效应、短期负荷的连续性和周期性以及时间距离的“饱和效应”,形成一种新的相似日评价函数来选取训练样本,并结合短期负荷预测的特点形成LS-SVM的输入量,然后将训练好的模型用于预测。算例表明,该方法有效可行,精度较高,且比较实用。     

天气类型聚类的支持向量机在光伏系统输出功率预测中的应用

光伏发电具有较强的波动性和随机性的特点,大容量光伏发电接入,会对电力系统的安全稳定运行带来严峻挑战.本文分析了温度、湿度等气象因素对光伏发电系统输出功率的影响,结合光伏系统的历史发电数据与气象信息,提出一种基于天气类型聚类的支持向量机预测模型.通过计算合适的权值,确定各气象因素的加权欧氏距离,选择输入样本,使样本能更好地反映预测日的天气属性;在此基础上运用支持向量机进行短期输出功率预测,并利用某地实测数据对训练好的模型进行了测试与评估.结果证明,该方法建立的模型具有较高的精度.     

基于日特征量相似日的PSO-SVM短期负荷预测

通过引入人体舒适度指数,综合分析了气象因素对电力负荷的影响,并加入星期类型、日天气类型、日期差3个主要影响因素,构成了日特征向量,采用求取相似度的方法来选取相似日,利用相似日的日特征向量和负荷数据来建立PSO-SVM预测模型。经2001年EUNITE负荷预测竞赛的数据预测分析表明,该方法适应性较强,能够选取较合适的相似日,有较高的预测精度和推广能力。     

基于相似日重组的分布式光伏电源发电功率预测

在分布式光伏电源大规模接入的情况下,发电功率的预测问题受到越来越多的重视。本文在全面统计分析影响光伏电源发电功率的因素的基础上,提出可针对气象部门提供的预测日分时气象数据分别寻找相似数据点,并将历史数据重新组合成为新的相似日,再进行预测。本文以某区域分布式电源智能管控平台的实测数据为样本,运用BP算法进行训练和预测,取得了较好效果,尤其在天气突变时优势更为明显。     

基于MEA-Elman神经网络的光伏发电功率短期预测

为进一步提高光伏发电功率预测的准确度,从而将思维进化算法(MEA)和Elman神经网络相结合,通过MEA优化Elman神经网络权值和阈值,克服了Elman神经网络易陷入局部最优等缺陷。根据光伏发电系统的历史发电数据和气象数据,建立MEA-Elman神经网络预测模型并对其测试。结果表明,与原有光伏预测模型比较,该预测模型能够有效提高光伏预测的有效性和精确性。     

基于相似日选取样本的短期风电功率混沌预测

为减小构成初始条件的样本数据所导致的预测误差，本文借鉴负荷预测中基于相似日选取样本的思想，采用趋势相似度的概念选择相似日作为模型输入量，对短期风电功率进行混沌预测。选择我国某区域风电功率数据作为研究对象，考虑不同预测步长和季节差异，进行了大量的算例仿真，结果验证了该方法提高混沌预测精度的有效性和适用性。     

基于拟牛顿法小波神经网络的光伏发电系统短期功率预测模型

光伏发电系统出力的随机性会对大电网造成冲击,需要加强光伏阵列发电功率预测的研究.为此,提出采用拟牛顿法小波神经网络建立光伏发电系统短期功率预测模型.以某光伏电站实测数据为比较对象,与基于标准梯度下降法BP神经网络以及基于附加动量和自适应学习速率结合的BP神经网络建立的2种预测模型进行对比研究,结果表明,拟牛顿法在收敛速度和预测精度上都更具有优势.此外,通过和拟牛顿法BP神经网络功率预测方法对比表明,拟牛顿法小波神经网络的预测精度更高,尤其是在一天早中晚时刻或辐照度较低情况下预测效果得到了很大的提高.